MOSAR FARIA BOTELHO

APLICAO DE REDES NEURAIS NA CLASSIFICAO DE IMAGENS DE ALTA RESOLUO ESPACIAL E DADOS DO LASER SCANNER, USANDO UMA ABORDAGEM ORIENTADA A REGIES

Dissertao apresentada ao Curso de PsGraduao em Cincias Geodsicas, Setor de Cincias da Terra da Universidade Federal do Paran, como requisito parcial obteno do Ttulo de Mestre. Orientador: Dr. Jorge A. Silva Centeno

CURITIBA Fevereiro, 2004

SUMRIO

LISTA DE FIGURAS............................................................................................................. IV LISTA DE TABELAS........................................................................................................... VII RESUMO ............................................................................................................................. IX

ABSTRACT .............................................................................................................................. X

CAPTULO 1 - INTRODUO ............................................................................................. 1 1.1 - CONSIDERAES GERAIS ................................................................................................ 1 1.2 - OBJETIVOS ...................................................................................................................... 3 1.3 - JUSTIFICATIVA ................................................................................................................ 4 CAPTULO 2 - REVISO DA LITERATURA .................................................................... 6 2.1 - SENSORIAMENTO REMOTO .............................................................................................. 6 2.1.1. - Propriedades espaciais das imagens....................................................................... 8 2.2 - LASER SCANNER .............................................................................................................. 9 2.3 - ANLISE DIGITAL DE IMAGEM ....................................................................................... 12 2.4 - SEGMENTAO DE IMAGENS ......................................................................................... 13 2.4.1. - Deteco de Descontinuidade .............................................................................. 15 2.4.2. - Similaridade ......................................................................................................... 15 2.4.3. - Segmentao espacial-espectral ........................................................................... 18 2.4.4. - Extrao de caractersticas espaciais.................................................................... 19 2.4.4.1 - Descritores de Forma ......................................................................................... 20 2.4.4.2 - Descritores de Textura ....................................................................................... 20 2.5 - CLASSIFICAO ............................................................................................................ 21 2.6 - INTEGRAO DE DADOS ................................................................................................ 23 2.7 - REDES NEURAIS ARTIFICIAIS ......................................................................................... 24 2.7.1. - O crebro e o neurnio biolgico......................................................................... 25 2.7.2. - Neurnio artificial e as redes neurais ................................................................... 27 2.7.2.1 - A funo de transferncia................................................................................... 28 2.7.3. - Arquitetura das redes neurais artificiais............................................................... 29 2.7.4. - Treinamento da rede neural artificial ................................................................... 31 2.7.5. - Algoritmos para o treinamento da rede neural artificial ...................................... 33

CAPTULO 3 - MATERIAL E MTODO.......................................................................... 37 3.1 - MATERIAL ................................................................................................................. 37 3.1.1. - rea de estudo...................................................................................................... 37 3.1.2. - Imagem QUICKBIRD II...................................................................................... 40 3.1.3. - Grade regular altimtrica...................................................................................... 41 3.1.4. - Programas utilizados ............................................................................................ 42 3.2 - METODOLOGIA ........................................................................................................ 43 3.2.1. - Segmentao da imagem e sua rotulao............................................................. 44 3.2.1.1 - Crescimento de Regies implementado ............................................................. 44 3.2.1.2 - Segmentador espacial-espectral do eCognition.............................................. 45 3.2.1.2.1 - Fundamentos ................................................................................................... 45 3.2.1.2.2 - Resultados da segmentao no eCognition ..................................................... 49 3.2.2. - Descrio dos segmentos ..................................................................................... 49 3.2.3. - Altimetria ............................................................................................................. 49 3.2.4. - Descritores espaciais ............................................................................................ 50 3.2.4.1 - rea e Permetro ................................................................................................ 50 3.2.4.2 - Coeficiente de compacidade .............................................................................. 50 3.2.4.3 - Razo entre o Eixo Menor e Maior da Elipse .................................................... 50 3.2.5. - Coleta de Amostras .............................................................................................. 51 3.2.6. - Implementao da rede neural artificial............................................................... 53 3.2.6.1 - Algoritmo de aprendizado retro-propagao. .................................................... 54 3.2.6.2 - Treinamento da rede neural artificial para a classificao. ................................ 58 3.2.6.3 - Metodologia para a definio da arquitetura...................................................... 59 3.2.7. - Implementao do Mtodo distncia mnima ...................................................... 60 3.2.8. - Implementao do Mtodo Mxima Verossimilhana ........................................ 60 3.2.9. - rea de verificao .............................................................................................. 61 3.2.10. - Avaliao da imagem classificada ..................................................................... 63 3.2.10.1 - Algoritmo de avaliao implementado ............................................................ 65 CAPTULO 4 - RESULTADOS E DISCUSSES .............................................................. 67 4.1 - SEGMENTAO DA IMAGEM........................................................................................... 67 4.2 - VERIFICAO DA RELAO ENTRE CLASSES SEGUNDO OS PARMETROS ESPECTRAIS E
ESPACIAIS. ............................................................................................................................. 70

4.2.1. - Separabilidade entre informaes espectrais. ...................................................... 70

ii

4.2.2. - Separabilidade entre informaes espectrais e dados do laser scanner................ 72 4.2.3. - Separabilidade entre dados do laser scanner e descritores de forma. .................. 74 4.2.4. - Concluso da anlise dos grficos........................................................................ 76 4.2.5. - Separabilidade estatstica entre informaes espectrais e espaciais. ................... 77 4.3 - CLASSIFICAO ORIENTADA A REGIES UTILIZANDO REDES NEURAIS ARTIFICIAIS COM O
PROGRAMA IMPLEMENTADO EM C++. .................................................................................... 85

4.3.1. - Testes usando diferentes combinaes de variveis. ........................................... 86 4.4 - CLASSIFICAO ORIENTADA A REGIES UTILIZANDO DISTNCIA MNIMA. .................... 87 4.4.1. - Testes usando diferentes combinaes de variveis. ........................................... 88 4.5 - CLASSIFICAO ORIENTADA A REGIES UTILIZANDO MXIMA VEROSSIMILHANA. ...... 89 4.6 - VERIFICAO DA INFLUNCIA DO LASER SCANNER PERANTE OS DESCRITORES DE FORMA
UTILIZANDO OS CLASSIFICADORES IMPLEMENTADOS ............................................................. 91

4.7 - COMPARAO ENTRE CLASSIFICADORES ....................................................................... 91 4.8 - DESEMPENHO DAS REDES NEURAIS NA IDENTIFICAO DE CASAS ................................. 95 CAPTULO 5 - CONCLUSES E RECOMENDAES................................................. 97 CAPTULO 6 - REFERNCIA BIBLIOGRAFICA .......................................................... 99

iii

LISTA DE FIGURAS

FIGURA 2.1 VIZINHANA E CONECTIVIDADE ......................................................................... 8 FIGURA 2.2 HISTOGRAMA DE INTENSIDADE PARTICIONADO POR UM LIMIAR .................... 16 FIGURA 2.3 EXEMPLO DO ALGORITMO DE DIVISO E FUSO .............................................. 17 FIGURA 2.4 EXEMPLO DO ALGORITMO DE CRESCIMENTO DE REGIES .............................. 17 FIGURA 2.5 NEURNIO BIOLGICO ..................................................................................... 26 FIGURA 2.6 - EXEMPLO DE NEURNIO ARTIFICIAL ............................................................... 28 FIGURA 2.7 ARQUITETURA DA REDE ALIMENTADA ADIANTE COM CAMADA NICA ......... 30 FIGURA 2.8 ARQUITETURA DE UMA REDE NEURAL FEED-FORWARD ................................ 30 FIGURA 2.9 ARQUITETURA DA REDE RECORRENTE ............................................................. 31 FIGURA 2.10 SUPERFCIE DO ERRO MDIO QUADRTICO COM MNIMO LOCAL E MNIMO GLOBAL. .............................................................................................................. 32 FIGURA 3.1 - PRIMEIRO RECORTE DA IMAGEM QUICKBIRD II, DA REGIO EM ESTUDO ............................................................................................................................. 38 FIGURA 3.2 - SEGUNDO RECORTE DA IMAGEM QUICKBIRD II, DA REGIO EM ESTUDO 39 FIGURA 3.3 - TERCEIRO RECORTE DA IMAGEM QUICKBIRD II, DA REGIO EM ESTUDO ............................................................................................................................. 39 FIGURA 3.4 - IMAGEM ALTIMTRICA DA ALTURA DOS OBJETOS EM RELAO AO SOLO, ORIUNDA DE DADOS DO LASER SCANNER. ........................................................... 42 FIGURA 3.5 - DIAGRAMA DE BLOCOS DA METODOLOGIA A SER EMPREGADA NA DISSERTAO ...................................................................................................... 43 FIGURA 3.6 - DIAGRAMA DE BLOCOS DO PROGRAMA IMPLEMENTADO EM LINGUAGEM C++. ..................................................................................................................... 44 FIGURA 3.7 - EXEMPLO DE OBJETOS COMPACTOS E SUAVES. ............................................. 46 FIGURA 3.8 - INTERFACE DO ALGORITMO GERADOR DO ARQUIVO DE TREINAMENTO. ..... 51 FIGURA 3.9 - INTERFACE DO ALGORITMO COLETOR DE AMOSTRAS COM AS AMOSTRAS COLETADAS NA IMAGEM QUICKBIRD II UTILIZADAS NO TREINAMENTO DOS CLASSIFICADORES. .............................................................................................. 52

iv

FIGURA 3.10 - ARQUIVOS GERADOS PARA TREINAMENTO DOS CLASSIFICADORES CONSIDERANDO A INTERCALAO ENTRE CLASSES........................................... 53 FIGURA 3.11 - ARQUITETURA DO MODELO DE MULTICAMADA COM RETRO-PROPAGAO. ............................................................................................................................. 54 FIGURA 3.12 - SUPERFCIE DE ERRO, CORTE TRANSVERSAL. ............................................. 56 FIGURA 3.13 - INTERFACE DO ALGORITMO RETRO-PROPAGAO NA ARQUITETURA MULTICAMADA. ................................................................................................... 58 FIGURA 3.14 - VERDADE DE CAMPO VETORIZADA............................................................... 62 FIGURA 3.15 - VERDADE DE CAMPO RASTERIZADA. ............................................................ 63 FIGURA 3.16 - INTERFACE DO MDULO DE AVALIAO DA CLASSIFICAO. .................... 66 FIGURA 3.17 - INTERFACE COM A EXATIDO DO PONTO DE VISTA DO USURIO E DO PRODUTO NA CLASSIFICAO DO OBJETO. ......................................................... 66 FIGURA 4.1 - RECORTE DA IMAGEM QUICKBIRD II ORIGINAL E SEGMENTADA PELO ECOGNITION.................................................................................................... 68 FIGURA 4.2 - IMAGEM DO PRIMEIRO RECORTE SEGMENTADO NO ECOGNITION E CODIFICADO PELO PROGRAMA ........................................................................... 69 FIGURA 4.3 - IMAGENS DO SEGUNDO E TERCEIRO RECORTE SEGMENTADO NO ECOGNITION E CODIFICADO PELO PROGRAMA ........................................................................ 69 FIGURA 4.4 - RELAO ENTRE BANDA 4 (INFRA-VERMELHO) E BANDA 3 (VISVEL)......... 70 FIGURA 4.5 - RELAO ENTRE BANDA 1 (VISVEL) E BANDA 2 (VISVEL). ......................... 71 FIGURA 4.6 - RELAO ENTRE BANDA 3 (VISVEL) E BANDA 2 (VISVEL). ......................... 71 FIGURA 4.7 - RELAO ENTRE BANDA 4 E BANDA 2............................................................. 72 FIGURA 4.8 - RELAO ENTRE BANDA 4 (INFRA-VERMELHO) E BANDA 1 (VISVEL)......... 72 FIGURA 4.9 - RELAO ENTRE ALTITUDE E BANDA 4. ......................................................... 73 FIGURA 4.10 - RELAO ENTRE ALTITUDE E BANDA 3. ....................................................... 73 FIGURA 4.11 - RELAO ENTRE ALTITUDE E BANDA 2. ....................................................... 74 FIGURA 4.12 - RELAO ENTRE ALTITUDE E BANDA 1. ....................................................... 74 FIGURA 4.13 - RELAO ENTRE ALTITUDE E REA ............................................................. 75 FIGURA 4.14 - RELAO ENTRE ALTITUDE E PERMETRO. ................................................. 75 FIGURA 4.15 - RELAO ENTRE ALTITUDE E RAZO ENTRE EIXOS DA ELIPSE. .................. 76

FIGURA 4.16 - RELAO ENTRE ALTITUDE E COEFICIENTE DE COMPACIDADE. ................ 76 FIGURA 4.17 - MDIAS DAS CLASSES (TC TELHADO CLARO; TE TELHADO ESCURO; VB VEGETAO BAIXA; ARVORE, VIAS) DE ACORDO COM AS INFORMAES ESPACIAIS E ESPECTRAIS..................................................................................... 78 FIGURA 4.18 - IMAGEM DO PRIMEIRO RECORTE CLASSIFICADA PELA REDE NEURAL ARTIFICIAL UTILIZANDO A COMPOSIO I+Z (INFORMAO ESPECTRAL E ALTIMETRIA DO LASER) ..................................................................................... 92 FIGURA 4.19 - IMAGEM DO SEGUNDO RECORTE CLASSIFICADA PELA REDE NEURAL ARTIFICIAL UTILIZANDO A COMPOSIO I+Z (INFORMAO ESPECTRAL E ALTIMETRIA DO LASER) ..................................................................................... 93 FIGURA 4.20 - IMAGEM DO TERCEIRO RECORTE CLASSIFICADA PELA REDE NEURAL ARTIFICIAL UTILIZANDO A COMPOSIO I+Z (INFORMAO ESPECTRAL E ALTIMETRIA DO LASER) ..................................................................................... 94 FIGURA 4.21 - IMAGEM COM A PERSPECTIVA DA EFICIENCIA DO PRODUTO....................... 96

vi

LISTA DE TABELAS

TABELA 3.1 - PRINCIPAIS CARACTERSTICAS DO SENSOR QUICKBIRD II. ..................... 40 TABELA 3.2 - COEFICIENTE KAPPA E O DESEMPENHO DA CLASSIFICAO ................... 64 TABELA 4.1 - TABELA QUE FORNECE OS PARMETROS UTILIZADOS EM CADA NVEL DE SEGMENTAO NO ECOGNITION. ....................................................................... 67 TABELA 4.2 - MDIA NORMALIZADA DAS CLASSES ............................................................. 77 TABELA 4.3 - DESVIO PADRO DAS CLASSES NORMALIZADAS DE ACORDO COM AS INFORMAES ESPECTRAIS E ESPACIAIS ............................................................ 79 TABELA 4.4 - MATRIZ DAS DISTNCIAS ENTRE CLASSES CONSIDERENDO TODAS AS VARIVEIS............................................................................................................ 80 TABELA 4.5 - DISTNCIA GLOBAL PARA CADA VARAVEL ESPECTRAL E ESPACIAL CONSIDERANDO AS CLASSES EM ESTUDO, (N=1) ................................................ 81 TABELA 4.6 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 2 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=2) ................................................ 81 TABELA 4.7 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 3 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=3). ............................................... 82 TABELA 4.8 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 4 E 5 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=4 E N=5). ................................... 83 TABELA 4.9 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 5 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=5). ............................................... 83 TABELA 4.10 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 6, 7 E 8 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=6, N=7 E N=8).. ....... 84 TABELA 4.11 - RESUMO COM AS MELHORES DISTNCIAS GLOBAIS PARA CADA NVEL DE COMBINAES ENTRE VARIVEIS ....................................................................... 84 TABELA 4.12 - RESULTADOS DA REDE NEURAL PARA O SEGUNDO RECORTE REALIZADO NA IMAGEM. .............................................................................................................. 86 TABELA 4.13 - RESULTADOS DA REDE NEURAL PARA O TERCEIRO RECORTE REALIZADO NA IMAGEM.......................................................................................................... 87 TABELA 4.14 - RESULTADOS DO MTODO DE MNIMA DISTNCIA PARA O SEGUNDO RECORTE REALIZADO NA IMAGEM. .................................................................... 88 TABELA 4.15 - RESULTADOS DO MTODO DE MNIMA DISTNCIA PARA O TERCEIRO RECORTE REALIZADO NA IMAGEM. .................................................................... 89

vii

TABELA 4.16 - RESULTADOS DO MTODO DE MXIMA VEROSSIMILHANA PARA O SEGUNDO RECORTE REALIZADO NA IMAGEM..................................................... 90 TABELA 4.17 - RESULTADOS DO MTODO DE MXIMA VEROSSIMILHANA PARA O TERCEIRO RECORTE REALIZADO NA IMAGEM.................................................... 90 TABELA 4.18 - MELHORES RESULTADOS DO INDICE KAPPA PARA OS MTODOS DE CLASSIFICAO EMPREGADOS NO ESTUDO. ....................................................... 91 TABELA 4.19 - IDENTIFICAO DAS EDIFICAES NA CLASSIFICAO DAS IMAGENS....... 96

viii

RESUMO

A classificao digital de imagens de sensoriamento remoto tem ganho, nas ltimas dcadas, reconhecimento como tcnica para suprir a escassez dos mapeamentos temticos. Atualmente, novos sensores, com maior resoluo espacial, encontram-se disponveis no mercado, aumentando o potencial uso de imagens de satlite. No entanto, estas novas imagens demandam novas tcnicas de anlise, pois oferecem um maior grau de detalhe, o que possibilita a identificao de objetos em funo de suas propriedades espectrais e espaciais. Ao mesmo tempo, novos dados espaciais vem sendo coletados por sensores aerotransportados, como os dados do laser scanner. Estes dados altimtricos representam uma caracterstica particular dos objetos presentes na superfcie da Terra, sua elevao, o que os torna uma informao complementar valiosa na anlise de imagens de sensoriamento remoto. O presente estudo aborda o tema da integrao de dados derivados de um levantamento laser scanner com imagens de satlite de alta resoluo espacial, Quickbird, para o mapeamento de reas urbanas. Para isto, uma metodologia orientada anlise de regies na imagem proposta. Inicialmente, o ganho obtido com a incluso dos dados do laser scanner comparado com o ganho resultante do uso de parmetros espaciais derivados das imagens, atravs da anlise da separabilidade das classes e a classificao de reas de treinamento. Os resultados mostram que a contribuio da informao altimtrica muito maior do que aquela atribuda aos descritores de forma. Em uma segunda fase, a utilizao de redes neurais artificiais como ferramenta para a integrao dos dados espectrais e espaciais foi avaliada, sendo que esta metodologia comprovou ser mais eficiente do que outras abordagens tradicionais. O uso de redes neurais e os dados do laser scanner aumentam a qualidade do mapa temtico em regies onde a informao espectral no suficiente para discriminar objetos diferentes.

ix

ABSTRACT

Remote sensing digital image classification has been recognized, in the last decades, as a technique for thematic maping. Today, new sensors, with enhanced spatial resolution, are available in the market, increasing the potential use of satellite images. However, the new images demand new analysis techniques, because they are richer in details, which should facilitate the identification of objects, based on its spectral and spatial properties. At the same time, other spatial data are being collected from airborne sensors, as laser scanner data. The altimetric information represents a special characteristic of the objects present on the earths surface, its elevation, which turns them a valuable information for the analysis of remote sensing images. The present study focuses on the integration of laser scanner data and remote sensing images with high spatial resolution, Quickbird imagery, for urban mapping. For this urpose, a region oriented aproach is proposed.Initially, the gain obtained with the use of laser scanner is compared to the gain that results using of spatial parameters in the classification process. For this urtose, the separability of the classes was analysed and selected samles were classified. The experiments proved that the contribution of laser scanner data is larger than that attributed to spatial paremeters, form parameters. In a second step, the use of artificial neural nets as a tool for the integration of spectral and spatial data was evaluated. This methodology prooved to be more efficient than other traditional approaches. The use of neural nets and laser scanner data increased the quality of the thematic map in areas where spectral information is not enough to discriminate different objects.

CAPTULO 1 - INTRODUO

1.1 - CONSIDERAES GERAIS Desde o inicio da dcada de 80 os avanos registrados no estudo de algoritmos ajudaram a intensificar as pesquisas e a aprimorar as tcnicas e metodologias relacionadas ao Processamento Digital de Imagens como ferramenta de apoio anlise de imagens. Esse progresso serviu como alavanca para popularizar os sistemas de Processamento Digital de Imagens visando as exigncias de se obter mais qualidade com eficcia, num tempo menor. Esses fatores vm fazendo com que tarefas antes realizadas de forma no automatizada sejam substitudas, parcialmente, pela execuo precisa das mquinas. No entanto, ainda no h mquinas que possa substituir o crebro humano, principalmente na intuio e na heurstica. O interesse em Processamento Digital de Imagens est focado em aplicaes existentes no campo da Classificao, Realce de Imagens e Compactao, que so reas onde, embora j exista um bom nmero de tcnicas, pode-se perceber tambm uma constante busca de novas solues, mais abrangentes e eficazes. Com o avano da tecnologia dos sensores e o surgimento dos sistemas de Sensoriamento Remoto de alta resoluo espacial, como o sistema IKONOS II, lanado em meados 1999, com resoluo espacial de 1m e o QUICKBIRD II com 61 cm, h a possibilidade de analisar objetivos menores, como a identificao de ruas e edificaes, fato que vm provocando uma revoluo nos processos de gerao e manuteno de bases cartogrficas, como tambm nos processos clssicos de classificao de imagens. A classificao de imagens digitais de sensores de alta resoluo tem por objetivo extrair feies espaciais de forma automtica visando compreenso humana. O processo de classificao de imagens pode ser realizado por dois processos distintos:

pixel a pixel ou por regies. O processo pixel a pixel consiste na atribuio de cada pixel a uma determinada classe de um grupo de classes, e grande parte desta anlise realizada por meio da utilizao das propriedades espectrais dos objetos presentes na cena. O processo por regies consiste na atribuio de cada regio a uma determinada classe de um grupo de classes. Esse processo tem como vantagem a utilizao de descritores podendo ser forma, tamanho e textura da regio. Sendo que a definio de regies dada por um grupo de pixels que so similares e adjacentes. Observa-se tambm que o aumento de variveis de entrada no processo de classificao gera problemas como o aumento do tempo de processamento e dificuldade da proposta do modelo mais adequado. Uma outra tecnologia recente o laser scanner. Esta surge como uma tecnologia interessante para a extrao de informaes dos objetos da superfcie do solo. Resumidamente, o mtodo envolve a emisso de um pulso eletromagntico em direo a superfcie tendo como produto as coordenadas plano-altimtricas e a intensidade do objeto atingido. Esta informao, a altura dos pontos na superfcie da terra, pode tambm ser includa no processo de classificao. Para classificar dados de diferentes origens as Redes Neurais Artificiais (RNAs) so atualmente uma opo emergente. A utilizao RNAs emerge como uma alternativa vantajosa aos classificadores de imagens baseados em conceitos estatsticos (Ex.: Mxima Verossimilhana), uma vez que nenhuma hiptese prvia sobre a distribuio dos dados a serem classificados exigida e os dados de entrada podem ter escalas diferentes. Sua capacidade de distribuio dos dados de entrada mais sutil do que os mtodos estatsticos tradicionais e a capacidade de formar fronteiras de deciso no-lineares no espao de caractersticas tm aumentado o seu uso. O uso de RNAs, aliado ao aumento de variveis derivadas da imagem, que oferece a abordagem de classificao baseado em regies, uma alternativa vivel e interessante no sensoriamento remoto, especialmente na classificao de imagens de alta resoluo espacial.

1.2 - OBJETIVOS O objetivo principal deste trabalho propor um mtodo para extrao de feies presentes em imagens pticas de alta resoluo espacial e dados do laser scanner baseado nos princpios da classificao orientada a regies e o uso das RNAs como elemento integrador de variveis espaciais e espectrais. Como objetivos especficos tem-se:
a) Implementar um programa que utilize as RNAs para a classificao da imagem, com variao das camadas intermedirias, taxas de aprendizado (variao do algoritmo - momento) e a possibilidade de alternncia das classes na entrada da rede; b) Avaliar o potencial das RNAs para a integrao de informao espacial e espectral na classificao; c) Avaliar o mtodo proposto na identificao de objetos da cena como construes, estradas e vegetao, usando dados de imagem de alta resoluo; d) Comparar esta metodologia com a abordagem de classificao orientada a regies baseada no mtodo convencional Mxima Verossimilhana; e) Comparar esta metodologia com a abordagem de classificao orientada a regies baseada no mtodo convencional Distncia Mnima; f) Verificar a influncia da altimetria oriunda do laser scanner na imagem final produzida; g) Comparar a influncia da altimetria em relao aos descritores de forma: rea, permetro, coeficiente de compacidade e relao entre os eixos maior e menor da elipse.

1.3 - JUSTIFICATIVA Aps a liberao da tecnologia desenvolvida para sensores orbitais em 1994 pelo governo norte americano, outras empresas entraram no mercado tornando-o mais competitivo. Uma das vantagens da competitividade o preo mais acessvel. Os sensores de alta resoluo espacial, como o KOMETA (1 m), IKONOS II (1 m), EROS A1 e A2 (1,8 m), QUICKBIRD II (0,61 m) e a ser lanado em maro de 2004 o EROS B1 (0,82 m), tm revolucionado os paradigmas da interpretao de imagens, tornando vivel a identificao de construes e outros objetos que anteriormente no eram visveis, neste espao, em reas urbanas. Esta identificao possibilita a atualizao da base de dados em GIS, base para a manuteno atualizada dos mapas topogrficos bsicos e gerais, monitoramento contnuo de regies, seleo de reas para a implantao de infra-estrutura, reforma agrria etc. A extrao de objetos em imagens pode ser visual ou assistida por computadores. O crebro humano extrai um grande nmero de informaes dos objetos de uma imagem digital e os integra, classificando-os para as respectivas classes de forma muito eficaz. Na tentativa de reproduzir o comportamento humano, cientistas tentam substituir ou reproduzir as decises humanas na interpretao por meio de regras estatsticas ou modelos matemticos implementados em computador. A extrao de informaes por meio de tcnicas de processamento digital de imagens vem sendo utilizada analisando-se o pixel. Novas abordagens, com o intuito de melhorar a acurcia da classificao digital das imagens, esto em evidncia, tais como a anlise utilizando como elemento mnimo da cena regies e no pixel. Quanto melhor a resoluo espacial das imagens, mais detalhes so observados, podendo assim extrair mais informaes dos objetos da cena. Portanto surge a necessidade de novos algoritmos para a classificao dessas imagens. Algoritmos que levem em considerao mais informaes do que apenas as

informaes espectrais. Este trabalho justifica-se pela utilizao das RNAs na classificao dos padres presentes em imagens de alta resoluo espacial, utilizando a integrao de variveis espectrais e espaciais, ou seja, forma, textura e altura dos objetos, alem dos dados do laser scanner, como tambm a comparao dos vrios parmetros de forma e textura, a fim de se obter uma qualidade e acurcia maior na gerao de mapas temticos oriundos da classificao. A contribuio deste trabalho est na tentativa de automatizar decises, facilitar a identificao automtica de objetos, por exemplo, casas, ruas, alteraes no uso do solo em reas urbanas e melhorar o mtodo de classificao para imagens de alta resoluo espacial.

CAPTULO 2 - REVISO DA LITERATURA

No trabalho, so abordadas tcnicas das reas da Inteligncia Artificial, do Sensoriamento Remoto e classificadores convencionais frente anlise orientada a objetos. Assim sendo, alguns conceitos introdutrios sero descritos nos itens 2.1, 2.2, 2.3 e 2.4.

2.1 - SENSORIAMENTO REMOTO Na rea do sensoriamento remoto, um aspecto que tem experimentado maior aprimoramento a resoluo espacial. Esta evoluo tem revolucionado os paradigmas da interpretao de imagens, tornando vivel a identificao de construes com muito mais detalhes, bem como outros objetos que anteriormente no eram com sensores de resoluo mdia, como Landsat, em reas urbanas. Aps a liberao da tecnologia americana em 1994, que impedia a captura de imagens com uma melhor resoluo espacial, houve grande incentivo no setor privado a investir fortemente nesta tecnologia. Empresas privadas investiram na rea e atualmente so comercializadas imagens com resoluo espacial de 3m com o EARLYBIRD lanado em 1997, 1,8m com o EROS A1 e A2 em 2000, 1m com o IKONOS II em 1999 ou 0,61m com o QUICKBIRD II lanado em outubro de 2001. Em maro de 2004 inicia o lanamento das verses do EROS de B1 a B6 que tero resoluo espacial de 0,82m. TOUTIN (2003, p.43), avaliando a alta resoluo espacial do IKONOS II. Este autor verifica a potencialidade deste sensor como ferramenta, tanto em sua planimetria como em sua altimetria. Ele conclui que as imagens deste sensor possibilitam a visualizao em 3D, uma vez que tais imagens podem ser utilizadas como estreo par, encontrando uma acurcia de 2 a 3m. A competividade no mercado favorece a evoluo das tecnologias dos sensores e favorece tambm os usurios dessas imagens, pois os preos destas tornamse mais acessveis medida que novos sensores e mais imagens de alta resoluo esto

a disposio mercado. Os usurios das imagens digitais necessitam de uma anlise qualitativa e quantitativa. A execuo da avaliao quantitativa realizada eficientemente por meio de sistemas computacionais, pois pode ser processada de maneira digital. A metodologia para a anlise quantitativa das imagens digitais intitulada de classificao digital de imagens (RICHARDS,1993, p. 79). A identificao de feies em imagens capturadas por sensoriamento remoto feita atravs da habilidade do analista em diferenciar padres, utilizando seu conhecimento intuitivo e o de fotointerpretao sobre a rea de estudo. O intrprete fica limitado de executar esta mesma funo com as imagens digitais, pois estas so multiespectrais. Alm disto, o intrprete no tem acuidade visual para discriminar o limite da resoluo radiomtrica dos sensores atuais. Portanto a interpretao visual de imagens digitais gera produtos com algumas limitaes (BRONSVELD et al, 1994 p. 349). O anseio de diversos pesquisadores est na expectativa de utilizar imagens do sensoriamento remoto para a atualizao cadastral, como base para a manuteno atualizada dos mapas topogrficos bsicos e gerais, monitoramento contnuo de regies, seleo de reas para a implantao de infra-estrutura, reforma agrria e em um futuro prximo realizar o prprio cadastro tcnico municipal. Nesta linha de pesquisa pode-se citar, como exemplo, KIEMA and BHR (2000), CHENG (2002),
SMITH, PRIESTNALL and ASAL (2000), TOUTIN (2003).

Informaes espectrais so convencionalmente usadas na classificao de imagem multiespectral. Segundo KIEMA e BHR (2000 p. 29 31) os resultados obtidos usando mtodos usuais so insatisfatrios, particularmente para aplicaes envolvendo estruturas e mapas de natureza urbana, devido existir semelhana na caracterstica da refletncia espectral entre feies como construes com materiais similares.

2.1.1. - Propriedades espaciais das imagens Uma imagem digital pode ser vista como uma matriz cujas linhas e colunas identificam um ponto na imagem. A cada instante, uma pequena rea do terreno coberta e o total de energia desta unidade de rea armazenado sob forma de um nmero digital atravs do processo de varredura. Tratando-se de uma imagem colorida ou multiespectral, vrias matrizes so necessrias para armazenar os valores correspondentes informao multiespectral (FACON, 1993 p.24). As propriedades espaciais de uma imagem podem ser derivadas a partir dos conceitos de regies, vizinhana e conectividade, definidas a seguir. Vizinhana Segundo a Figura 2.1, um pixel p, com coordenadas (x, y), possui 4 vizinhos horizontais e verticais, onde suas coordenadas so (x+1, y), (x-1, y), (x, y+1), (x, y-1). Estes pixels formam ento a denominada vizinhana-de-4 do pixel p, que representado por N4(p) (GONZALES e WOODS, 2000 p.26).
FIGURA 2.1 VIZINHANA E CONECTIVIDADE

Conectividade - Dois pixels so conexos quando compartilham uma fronteira. Uma regio conexa, se possvel traar um caminho de um pixel qualquer dentro da regio at qualquer outro pixel da regio, sem sair dela (GONZALES e WOODS, 2000 p.27): Regio - um conjunto de pontos conectados (adjacentes), ou seja, de qualquer ponto da mesma pode-se chegar a qualquer outro ponto por um caminho inteiramente contido na regio. As regies que se deseja detectar, geralmente so regies homogneas, ou seja, apresentam alguma propriedade local

aproximadamente constante em toda sua extenso. Algumas propriedades locais

comumente utilizadas so o valor do contador digital, textura ou cor (ANDRADE, 2003 p.25).

2.2 - LASER SCANNER De acordo com SMITH, PRIESTNALL e ASAL (2000 p.45), o laser scanner um sistema de sensoriamento remoto ativo usado para medir a distncia entre o sensor e a superfcie dos objetos. Seu funcionamento baseia-se na utilizao de um feixe de laser (LASER: Light Amplification by Stimulatied Emission of Radiance) que disparado em direo aos objetos, refletido por eles e novamente captados pelo sistema. A partir do sinal de retorno e o tempo decorrido entre a emisso e o registro do retorno, informaes como a distncia entre o sensor e o objeto podem ser calculadas. Este tipo de sistema tambm chamado de LIDAR (Light Detection And Ranging) ou LADAR (Laser Detection And Ranging). O sistema laser scanner pode ser dividido em trs componentes principais: a unidade de medio laser propriamente dita, encarregada de emitir e receber o sinal laser, um sistema de varredura ptico-mecnico e uma unidade de registro de medies de apoio (SMITH, PRIESTNALL e ASAL, 2000 p.46-47). Segundo SHERSTHA et al (1997), uma unidade tpica possui um espelho montado em frente ao ponto de emisso do feixe laser. Este espelho roda com determinada freqncia com a finalidade de varrer uma linha transversal ao deslocamento do avio. Os pulsos possuem uma durao de nanosegundos que so direcionados pelo espelho atravs de uma abertura ou janela em direo ao cho. Quando o laser scanner montado no avio, com a linha do scanner perpendicular a direo do vo, um objeto varrido e formado dentro de uma faixa coberta. A largura desta faixa e o espao entre os pontos do objeto depende da altura e velocidade do vo e do domnio limite dos ngulos do scanner. Estes fatores variam devido ao tipo de scanner usado e o plano de vo. Tipicamente a velocidade do vo de 200 a 250 km/h e a altura varia entre 350 a 1000 m. A taxa de pulso pode ser entre 2000 a 5000 pulsos

10

por segundo. Em adio, o limite do ngulo de viso do scanner na ordem de aproximadamente 20. O processo utilizando um laser scanner com estes parmetros e com acurcia das medidas razovel podem render medidas pontuais menores que um metro. Isto o suficiente para criar um DSM (Modelo Digital do Solo) satisfatrio para aplicaes ambientais. Existem diferentes opes para efetuar o redimensionamento do feixe laser. Entre as opes disponveis esto o uso de um espelho oscilante, que produz linhas paralelas ou em zig-zag, o Palmer Scanner, que utiliza um espelho que gira em torno do seu centro e produz um padro elptico e o espelho em forma de polgono rotatrio, que produz linhas paralelas. (SHERSTHA et al, 1997). SMITH, PRIESTNALL e ASAL (2000, p. 48), citam vrios autores que verificaram a qualidade do LIDAR DSM em diferentes aplicaes: VAUGHN ET AL (1996) afirma que o laser altimtrico, pode medir a altura elipsoidal com acurcia melhor que 10cm, se cuidadosamente calibrado, utilizando um GPS com plataforma de trajetria precisa e um vo baixo. Tambm o CSATHO ET AL. (1996) descreve o uso do sistema laser da NASA, o qual investigou uma rea de 130 a 200 m em largura para estudos da regio polar. O objetivo deste estudo foi obter um modelo de elevao digital (DEM) e mapas topogrficos a partir de dados de altimetria laser. A densa distribuio dos pontos medidos para uma acurcia de 10 a 20 cm foi usada para criar o DEM. Outro DEM foi criado da mesma rea usando o mtodo de fotogrametria tradicional. Uma comparao entre eles indicou uma forte concordncia. FOOD E GUTELLIUS (1997) afirma que o laser scanner mais econmico e mais produtivo em reas onde os mtodos tradicionais tal como fotogrametria area ou terrestre so impraticveis ou impossveis. O sistema laser scanner foi benfico se usado em lugares como reas costeiras, florestas, solo mido (wetlands) e corredores de transportao. Tambm pode ser usado com sucesso em mapeamento topogrfico e em reas com topografia irregular devido a distrbios como terremoto ou regio vulcnica. WRIGHT ET AL. (1996) explica que o laser scanner, chamado mapeador topogrfico (ATM-II)

11

desenvolvido pela NASA, tem a capacidade de produzir mapas de alta resoluo. Foi usado no mapeamento do gelo rtico em Greeland, Svalbard e Iceland em outubro de 1996. Este instrumento foi tambm usado para pesquisar 600 km das praias da costa oeste entre Delware e Carolina do Sul nos EUA. Os resultados indicaram que uma acurcia de aproximadamente 10 cm em elevao foi encontrada. NAESSET (1997) utilizou o laser scanner para a determinao das alturas das rvores na Noruega com propsito de planejamento florestal. As pesquisas mostram que usando a tecnologia para este propsito tem-se resultados igual ou melhor que aqueles obtidos usando o mtodo de fotogrametria area. De acordo com HUISING E PEREIRA (1998, p.245-261), o departamento de pesquisa de Rijkswaterstaat em Netherlands desenvolveu um processo de laser scanner para obter medidas topogrficas para o estudo de fontes de erros no sistema. O estudo indica que os erros podem variar entre 5 cm a 200 cm, e mencionou que a principal fonte deles devido a incerteza na determinao da altitude e posio da plataforma. O mesmo estudo predicou que alguns erros podem resultar de medidas relacionadas ao alcance do laser. Entretanto, o estudo recomendou que seguindo a estratgia adequada nas observaes para remover erros a uma acurcia melhor pode ser atingida. De acordo MASAHARU e HASEGAWA (2000 p.557), um mtodo eficiente para extrair dados de prdios de alta elevao, obtidos por um laser scanner, aplicando o mtodo de segmentao de regies (o qual ser descrito nas sees que seguiro). A idia bsica que cada prdio tem uma altura diferente do vizinho. Entretanto pode-se distinguir cada prdio segmentando o DEM, com a condio de que um pixel, com diferena de altura, comparado com seu vizinho, pertena a mesma regio se estiverem dentro de uma rea pr-determinada. O estudo constatou alguns problemas como: grandes construes no puderam ser distinguidas de superfcies de estradas, estando relacionado seleo da rea de segmentao. Outro problema que os objetos extrados no so sempre prdios ou casas mas por exemplo rvores. O estudo, apesar dos problemas mencionados aponta que a segmentao dos

12

dados do laser scanner um bom mtodo para gerar modelo de imagem em 3D, no sentido que o mtodo pode ger-la atravs de um processo automtico. Verifica-se, pelos resultados dos pesquisadores acima citados, que os dados do laser scanner oferecem um grande potencial para a coleta de informaes a respeito da geometria dos objetos na superfcie da terra, mas tambm constatado que a anlise isolada destes dados no garante os melhores resultados.

2.3 - ANLISE DIGITAL DE IMAGEM De acordo com RIBEIRO e CENTENO (2002 p.55), a melhoria de informao visual para a interpretao humana e o processamento de dados de cenas para percepo automtica por meio de mquinas, o principal incentivador ao estudo dos mtodos de processamento digital de imagens. SONKA, HLAVAC e BOYLE (1998, p.42-43), afirmam que, na percepo visual, a principal meta da anlise por computadores encontrar uma relao entre a imagem e o modelo do mundo real. Vrios nveis de representao de informao visual so definidos para esta finalidade; a viso do computador inclui um desgnio (esboo) da estrutura de dados e algoritmos usados para criao da representao e suas relaes. A estrutura de dados pode ser dividida em quatro nveis: pixel da imagem, imagem segmentada, topologia e modelo relacional. No estudo, apenas as duas primeiras estruturas de dados sero consideradas, pixel da imagem e imagem segmentada. A primeira considerada como o mais baixo nvel de representao. Nela, a imagem consiste dos dados originais: matrizes com nmeros inteiros representando o valor digital do pixel (brilho). Para a segunda, partes da imagem so reunidas em grupos que, se assume, pertencem a mesma regio ou objeto na cena. O resultado o agrupamento de pixels formando regies homogneas. Dentre as ferramentas do processamento digital de imagens que se preocupam com anlise digital da imagem, pode destacar as tcnicas para extrao de informao como a segmentao e a classificao digital.

13

2.4 - SEGMENTAO DE IMAGENS Segundo FACON (1993, p.87), o ser humano, no nvel da viso, efetua agrupamentos sobre o que ele percebe, baseados na proximidade, similaridade e continuidade. A decomposio de uma cena visual em unidades significantes constitui uma etapa decisiva na compreenso da imagem. O processo de segmentao de imagens tem por objetivo fragmentar uma imagem em regies homogneas, considerando algumas de suas caractersticas intrnsecas como, por exemplo, o valor do contador digital dos pixels, a forma ou a textura de uma regio. Segundo KOK et al (2000, p.115), o objetivo da segmentao em sensoriamento remoto definir regies na imagem, correspondendo a objetos na superfcie terrestre. As regies que se deseja detectar, em geral, so regies homogneas, ou seja, apresentam alguma propriedade local aproximadamente constante em toda sua extenso. Formalmente, pode-se descrever uma regio da seguinte maneira. Seja R a regio da imagem, pode-se imaginar a segmentao como o processo de particionar R em n regies R1, R2, ..., Rn, tal que:
(a) U Ri = R
i =1 n

(2.1)

(b) Ri uma regio conexa, i= 1, 2 ,... , n. (c) Ri R j = Vazio i j (d) P(Ri) = VERDADEIRO para i = 1, 2, , n e (e) P (Ri R j ) = FALSO i j (2.3) (2.2)

em que P(Ri) um predicado lgico sobre os pontos do conjunto Ri e o conjunto vazio. O exemplo mais imediato de predicado o valor digital do pixel. A condio (a) indica que a segmentao deve ser completa, ou seja, cada pixel deve pertencer a uma regio. A condio (b) requer que os pixels em uma

14

regio sejam conexos. A condio (c) indica que as regies devem ser disjuntas. A condio (d) trata das propriedades que devem ser satisfeitas pelos pixels em uma regio segmentada, por exemplo, P(Ri)=verdadeiro se todos os pixels em Ri possurem a mesma caracterstica. Finalmente, a condio (e) indica que as regies Ri e Rj so diferentes no sentido do predicado P (GONZALES e WOODS, 2000 p.326). Segundo GONZALES e WOODS (2000, p.295), o nvel at o qual essa subdiviso da imagem deve ser realizado depende do problema que est sendo resolvido, ou seja, a segmentao deve parar quando os objetos de interesse na aplicao tiverem sido isolados. Os algoritmos de segmentao so geralmente baseados na anlise da descontinuidade ou da similaridade entre pixels. Na primeira categoria a abordagem particionar a imagem baseando-se em mudanas bruscas nos valores digitais. Os principais algoritmos nessa categoria so a deteco de pontos isolados e deteco de linhas e bordas na imagem. A abordagem da segunda categoria particionar a imagem baseando-se na homogeneidade dos nveis de cinza, ou seja, deteco de regies uniformes. As principais tcnicas nessa categoria so: a limiarizao, crescimento de regies e diviso e fuso de regies (FACON, 1993 p. 96; GONZALES e WOODS, 2000 p. 295). Para a gera de uma imagem temtica, as regies encontradas pela segmentao devem ser classificadas. Nesta classificao, alm do valor digital mdio da regio (espectral), outros descritores podem ser analisados, como a forma ou tamanho da regio. Segundo SCHNEIDER E STEINWENDNER (1999, p.743) que utilizaram a segmentao e a classificao de imagens de satlite para a obteno de mapas de uso da terra, o resultado da classificao depende do resultado da segmentao. No entanto, ainda est sendo pesquisado um segmentador genrico para qualquer imagem, que possua resultados positivos.

15

2.4.1. - Deteco de Descontinuidade Segundo GONZALES e WOODS (2000, p. 297), a maneira mais comum de procura por descontinuidades utiliza varredura da imagem por uma mscara, de maneira similar filtragem. Para cada pixel, avalia-se o contraste da regio, por meio da vizinhana definida pela mscara. Regies com alto contraste caracterizam os limites espaciais dos segmentos. A deteco de bordas realizada por um algoritmo que estima o gradiente do valor do contador digital da imagem original, para gerar uma imagem gradiente ou imagem de intensidade de borda. O prprio algoritmo calcula o limiar para encontrar as bordas e, encontrando um pixel com valor superior ao limiar estabelecido, iniciase o processo de perseguio desta borda, encerrando-se apenas quando esta borda toca outra j detectada ou a fronteira da imagem. Neste processo gera-se uma imagem binria com valores 1 referentes s bordas e valores 0 referentes s regies no-bordas. (FILHO e NETO, 1999 p.51). A deteco de pontos pode ser obtida de forma direta na imagem. A idia que o valor contador digital de um ponto isolado seja completamente diferente do valor digital de seus vizinhos.

2.4.2. - Similaridade O objetivo desta categoria particionar a imagem baseando-se na uniformidade entre pixels vizinhos. As principais tcnicas so: a limiarizao, crescimento de regies e diviso e fuso de regies. a) Limiarizao Segundo GONZALEZ E WOODS (2000, p.316) a mais simples de todas as tcnicas de limiarizao a do particionamento do histograma da imagem por um limiar T (Figura 2.2). A segmentao efetuada, varrendo a imagem, pixel a pixel, e rotulando cada pixel dependendo se o valor digital daquele pixel for

16

maior ou menor que o limiar T. O sucesso desse mtodo depende de quo bem o histograma pode ser particionado. As tcnicas de limiarizao no levam em conta o contexto, ou seja, a vizinhana dos pixels no analisada (FACON, 1993 p.89).
FIGURA 2.2 HISTOGRAMA DE INTENSIDADE PARTICIONADO POR UM LIMIAR

T
FONTE: Adaptado de GONZALES e WOODS. (2000, p.316)

b) Diviso e Fuso de Regies Segundo GONZALES e WOODS (2000 p. 329), o mtodo de diviso e fuso de regies consiste em subdividir a imagem em um conjunto de regies arbitrrias e disjuntas e ento realizar a fuso das regies adjacentes e similares. No caso de uma imagem quadrada (R), uma abordagem para segment-la subdividir esta imagem em quadrantes cada vez menores, de maneira que todos os pixels em uma regio compartilhem a mesma propriedade, enquanto regies adjacentes distintas possuam propriedades diferentes. Caso uma regio no esteja composta por pixels uniformes, ento essa novamente subdividida em quatro regies. Este processo repetido at atingir um ponto onde todas as regies sejam uniformes (Quadtree). Se apenas a diviso (subdiviso) fosse usada, a partio final provavelmente conteria regies adjacentes com propriedades idnticas. Esse problema pode ser resolvido efetuando a fuso destas regies numa segunda etapa. Duas regies adjacentes Rj e Rk so fundidas apenas se P(RjRk)=verdadeiro, onde P(R) identifique a propriedade considerada nos critrios de uniformidade. O processo de diviso e fuso de regies pode ser visualizado pelo exemplo da Figura 2.3.

17
FIGURA 2.3 EXEMPLO DO ALGORITMO DE DIVISO E FUSO

Diviso

Sub-diviso

Fuso

Resultado Final

c) Crescimento de regies por agregao de Pixels Esta uma tcnica de agrupamento de dados, na qual somente os pixels adjacentes, podem ser agrupados. So agrupados os pixels com valores de similaridade inferior ao limiar definido pelo usurio, baseado em um teste de hiptese estatstico realizado com as mdias entre as regies. As regies menores so posteriormente agregadas as regies maiores, segundo um limiar de agregao (tamanho mnimo aceitvel para uma sub-regio), definido tambm pelo usurio (GONZALES e WOODS, 2000 p.327).
FIGURA 2.4 EXEMPLO DO ALGORITMO DE CRESCIMENTO DE REGIES 1 2 49 51 1 1 49 51 1 1 2 2 4 3 49 53 1 1 49 53 1 1 2 2 1 5 50 49 1 1 50 49 1 1 2 2 3 1 51 54 1 1 51 54 1 1 2 2 3 4 52 55 1 1 52 55 1 1 2 2 19 20 21 25 19 20 21 25 19 20 21 25 19 23 20 23 19 23 20 23 19 23 20 23 (a) Imagem Original (b) Estgio Inicial (c) Estgio Intermedirio 1 1 1 1 1 3 3 1 2 1 2 1 2 1 2 1 2 3 3 3 3 (d) Imagem Segmentada 2 2 2 2 2 3 3

A Figura 2.4 (a) mostra uma matriz da imagem original onde observa-se trs grupos distintos. Adotando-se uma diferena absoluta de valores menores que trs entre nveis de intensidade de cinza. Inicia-se o processo escolhendo um ponto semente, obtendo assim o estgio inicial (b) com a agregao dos pixels adjacentes e que possuem essa mesma propriedade. Quando o algoritmo no encontra essa propriedade nos pixels adjacentes escolhe-se uma nova semente, sendo esta a fase intermediria (c), e o processo repetido at que no encontre mais regies a segmentar que exijam novas sementes, gerando assim a imagem segmentada (d).

18

2.4.3. - Segmentao espacial-espectral O aumento da resoluo espacial de uma imagem, demanda uma anlise que considere o conhecimento do intrprete humano, de forma a refletir melhor a subjetividade na deciso a respeito da classificao dos pixels. Uma das grandes desvantagens das tcnicas de agrupamento convencionais no considerar a caracterstica espacial dos segmentos. Em imagens de alta resoluo este tipo de algoritmo possui eficincia reduzida (ANTUNES, 2003 p.30). Com o objetivo de superar as limitaes dos segmentadores convencionais em imagens multiespectrais de alta resoluo espacial, estudos se voltam a analisar os objetos de estrutura topolgica vetorial agregados as informaes espectrais. Desta forma, o aspecto espacial possui um importante papel e pode ser descrito por relaes entre os objetos vizinhos. (CHENG, 2002 p.41). O conceito de evoluo de rede fractal (FNEA: fractal net evolution approach), considera a imagem de sensoriamento remoto como de natureza fractal. Ao segmentar-se a imagem simultaneamente de forma fina e de forma grosseira, d-se origem a diferentes escalas de segmentao. O procedimento de segmentao similar ao crescimento de regies que agrupa pixels ou sub-regies em regies maiores. A segmentao da imagem resulta em segmentos ou objetos, que baseados em parmetros espectrais e espaciais, podem ainda ser reagrupados em objetos maiores denominados superobjetos ou regies. Estas regies possuem relaes com os segmentos que as constituem num nvel hierrquico mais baixo (ANTUNES, 2003 p.32). No mercado existem alguns programas que vem utilizando o algoritmo de segmentao FNEA. Cita-se como exemplo, o programa eCognition, onde o usurio pode representar o conhecimento utilizando relaes derivadas experimentalmente e modificar tais relaes de maneira a satisfazer os fins da anlise da imagem. Neste programa, os objetos resultantes da segmentao representam a informao da imagem de uma forma abstrata. Alm das informaes espectrais outras informaes ou

19

atributos adicionais, como forma, textura relacionamento entre objetos e sua vizinhana, podem ser usados para a classificao (ECOGNITION, 2001 p.1-7). Para representar o conhecimento do usurio, o eCognition dispe de redes conectadas, chamadas de classes hierrquicas de operadores. Estas classes so capazes de modificar suas conexes ao sofrerem alteraes nas informaes fornecidas pelo usurio. Regies representativas de cada classe so fornecidas como amostras e, a partir delas, uma descrio das classes obtida. O usurio pode selecionar a informao til, interagindo com o programa atravs da escolha dos atributos relevantes, derivados da imagem, ou informaes advindas de mapas. Quanto mais informaes relevantes o usurio introduzir no sistema, maior o conhecimento armazenado nas classes hierrquicas. Aps a segmentao, os segmentos so caracterizados por descritores de forma, textura e etc. ANTUNES (2003, p. 30) salienta que o procedimento de segmentao deve ser moldado de acordo com a resoluo da imagem e com a escala esperada para os objetos. As regies derivadas da segmentao so ricas em informao espacial, pois elas podem ser descritas em termos de forma, tamanho, ou textura, entre outros parmetros espaciais. Faz-se necessrio na anlise digital, parametrizar estes descritores de maneira quantitativa.

2.4.4. - Extrao de caractersticas espaciais Os segmentos devem ser representados e descritos em um formato apropriado para o processamento subseqente. A representao de uma regio envolve duas escolhas: 1. Da regio em termos de sua caracterstica externa (fronteira), ou 2. Da regio em termos de suas caractersticas internas (os pixels que compem a regio). Uma representao externa escolhida quando a ateno estiver voltada para as caractersticas de forma (espaciais). Na representao interna, a ateno voltada s

20

propriedades como cor e textura (GONZALES e WOODS, 2000 p. 345).

2.4.4.1 - Descritores de Forma Em termos visuais, a forma um dos elementos mais importantes para a interpretao de imagens digitais, sendo uma varivel que permite percepo associativa dos objetos da imagem. No entanto, de acordo com ANDRADE (2003, p.35), embora seja uma poderosa ferramenta para a discriminao de objetos, a anlise da forma no fcil de ser implementada na anlise de imagens raster por computadores. Os limites dos objetos das imagens so desconhecidos inicialmente, e para analisar a forma necessrio obt-los. Por isto, os algoritmos de anlise de forma dependem em alto grau da qualidade do resultado de uma classificao (supervisionada ou no supervisionada), ou da segmentao da imagem. ANDRADE (2003 p.105) comenta que parmetros de forma como o coeficiente de compacidade (CC), a relao entre o eixo menor e maior da elipse (Re), a rea (A) e o Permetro (P) so os coeficientes que mais contribuem para a descrio de um objeto na classificao de imagem digital gerada por uma Rede Neural. A seguir, estes descritores sero apresentados.

2.4.4.2 - Descritores de Textura Textura a variao dos valores digitais (de uma imagem), causada pela ocorrncia de objetos menores que a resoluo espectral ao longo de uma regio (JAIN et al, 1995 p.235). Assim, a textura caracterizada pela distribuio espacial de nveis em uma vizinhana e no pode ser definida por um ponto. A textura um elemento importante na viso humana, provendo em uma cena a profundidade e orientao da superfcie. Contm informaes importantes sobre a disposio estrutural de superfcies e seus relacionamentos com o ambiente ao redor.

21

Por causa de sua importncia e utilidade para o reconhecimento de padres e viso computacional, foram realizadas pesquisas com resultados importantes nas ltimas dcadas (SCHRDER et al.,2000 p.423-432; FRANKLIN et al. ,2001 p.849-855; FERRO E WARNER ,2002 p.51-63 e CLAUSI E ZHAO ,2002 p.763-774). SALI E WOLFSON (1992, p.3395-3408) utilizaram textura na segmentao de imagens para a classificao supervisionada, e chegaram a resultados que indicam que uma combinao de caractersticas texturais pode resultar numa melhoria mais efetiva na segmentao de imagens. Os autores utilizaram estatsticas de segunda ordem atravs de matriz de Co-ocorrncia dos nveis de cinza, por permitirem a deteco de muitas propriedades de textura e por terem obtido resultados preliminares satisfatrios. Utilizaram tambm caractersticas baseadas na multi-resoluo para o algoritmo de segmentao, pois a textura de terrenos possui um comportamento fractal e modelos fractais seriam apropriados para descrever a textura de suas imagens. A estatsticas de primeira ordem utilizadas foram a mdia e a varincia, por serem muito teis na discriminao de textura. As estatsticas de segunda ordem utilizadas foram baseadas na matriz de Co-ocorrncia, como momento da diferena inversa, contraste, segundo momento angular, entropia e diferena da entropia. Segundo PEREIRA (2001, p.09), a co-ocorrncia explora a dependncia do nvel espacial de cinza de uma imagem digital. Esta construda baseada na orientao e na distncia entre os pixels da imagem e ento extradas estatsticas significativas da matriz como a representao de textura. Esta matriz possui uma abordagem estatstica.

2.5 - CLASSIFICAO Um modo de tornar a interpretao de imagens mais simples consiste em separar grupos de elementos da imagem (pixels ou regies) com caractersticas similares em classes, geralmente associadas a tipos de uso ou cobertura do solo. Tomando como hiptese que os elementos da imagem que cobrem um mesmo alvo

22

tm caractersticas similares, algoritmos computacionais podem ser usados para dividilos em grupos. Este processo denominado classificao de imagem. Os mtodos de classificao podem ser pixel a pixel ou por regies, dependendo do nvel de abstrao. O mtodo pixel a pixel admite como o menor elemento a ser classificado o pixel e o mtodo por regies admite como menor elemento o segmento, ou seja, a regio que pode representar um objeto na cena ou parte deste. Para a execuo da classificao de uma imagem digital so necessrias as seguintes etapas: Definio das classes e amostragem; fase de destino classificao e a avaliao da classificao. Na definio das classes e amostragem so determinadas as classes de interesse e para estas classes so calculados parmetros estatsticos que as descrevem a partir de amostras representativas cuidadosamente escolhidas. A amostragem o primeiro passo fundamental para uma boa classificao supervisionada, pois nesta as caractersticas das classes so definidas. importante considerar que a qualidade das amostras fundamental para o processo. Aps a realizao da seleo e estudo das classes que entraram na classificao, inicia-se a Fase de Destino Classificao que trata da distribuio de cada elemento da imagem a uma das classes previamente selecionadas. Segundo JENSEN (1996, p.245), em Sensoriamento Remoto, vrios mtodos so utilizados, tais como: mnima distncia, mtodo do paraleleppedo e o mtodo da mxima verossimilhana (ou geral Gaussiana). O mtodo da distncia mnima atribui cada elemento desconhecido classe cuja mdia mais prxima, ou seja, a atribuio de uma classe ao elemento depende da distncia em relao classe a qual este foi atribudo. O mtodo do paraleleppedo considera uma rea no espao de atributos ao redor do conjunto de treinamento. Essa rea tem a forma de um retngulo ou paraleleppedo, definido pelos valores mximo e mnimo do conjunto de treinamento.

23

Todos os elementos dentro do paraleleppedo sero classificados como pertencentes classe representada nesta rea. O ltimo mtodo, mais comumente utilizado o da mxima verossimilhana, sendo que o mesmo utiliza parmetros estatsticos. Este mtodo pressupe que os elementos de cada classe seguem uma distribuio normal multivariada, e o mtodo avalia as probabilidades que um determinado elemento tem de pertencer s classes identificadas e o designa quela cuja probabilidade maior (NISHIDA, 1998 p.58). Na ltima fase, a fase de avaliao da classificao, a qualidade do produto final avaliada atravs de um ndice que indica a acurcia, a confiabilidade do usurio no produto. Nesta fase, a verdade de campo comparada com o produto produzido.

2.6 - INTEGRAO DE DADOS Quando a informao espectral contida nas bandas de imagem de satlite, no so suficientes para discriminar classes de cobertura do solo, possvel efetuar um estudo integrado, utilizando, alm dos dados espectrais, outras informaes derivadas de outras fontes, como por exemplo, mapas ou levantamentos laser scanner. De acordo com RIBEIRO (2003, p.13), o intuito da integrao de dados de ampliar a quantidade e qualidade de informaes a respeito da rea em estudo. Os dados de diferentes fontes vm complementar as informaes que podem ser extradas das imagens adquiridas por sensoriamento remoto, visando melhorar a acurcia dos mapas temticos e auxiliar na extrao de informaes da cena imageada. Cientistas da rea das Cincias da Terra, tais como (WARNER e SHANK., 1997, p. 1285 - 1294); (HARRIS e MURRAY., 1990, p. 1631 - 1641); (CENTENO et al., 1999, p. 19 - 28); (RIBEIRO e CENTENO, 2002 p. 47-57) e (ANDRADE, 2003 112p.), podem ser citados como referncia em estudos de integrao de dados. De acordo com KIEMA e BHR (2000 p.32), informao espectral convencionalmente empregada na classificao de imagem multiespectral. A inadequao disto, na extrao de objetos urbanos, tem sido reconhecida em muitos

24

estudos (FUNG E CHAN, 1994); (HAALA E BRENNER, 1999) etc. Em aplicaes onde a alta acurcia requerida, imperativo realar a base da feio do objeto. Isto precisa ser ampliado para incluir caractersticas da feio espacial (estrutura, tamanho, forma, topologia) e espectral (assinatura espectral, textura). Estas podem ser includas tambm, explicitamente atravs da integrao de diferentes fontes de dados multisensor, ou implicitamente atravs do uso do mtodo de segmentao apropriado. Devido os motivos citados acima, os autores levantam a hiptese de em trabalhos futuros serem incorporadas informaes contextuais na extrao de feies. Um exemplo de integrao a classificao empregada em imagens multiespectrais a classificao hierrquica utilizando fuso de dados. A fuso de dados tambm pode ser usada no conceito de canal adicional. KIEMA (2000, p. 489) define classificao hierrquica como uma tcnica estruturada, atravs da qual os diferentes dados a serem fundidos so aplicados de tal forma, que sucessivamente dividem a rea de trabalho em classes de objetos mais detalhados. Este mtodo depende de fatores como a estrutura do dado a ser fundido e as caractersticas especficas da imagem que precisa ser preservada. A integrao de dados definida como uma armao formal na qual so expressas meios e ferramentas para a aliana de dados originados de diferentes fontes. O objetivo obter informao de maior qualidade. No mtodo de canal adicional, os diferentes dados a serem fundidos so introduzidos como canais separados em uma integrao dentro de um dado expandido. O estudo aponta que a principal desvantagem da classificao hierrquica a propagao de erros nos passos subseqentes da mesma. Por outro lado a principal vantagem do canal adicional a flexibilidade dos dados processados. Outro mtodo de classificao, muito utilizado para integrao de dados de diferentes fontes a rede neural artificial a qual ser dissertada na prxima seo.

2.7 - REDES NEURAIS ARTIFICIAIS O objetivo do homem em criar mquinas que simulem a inteligncia do

25

crebro humano, foi o principal motivador para o desenvolvimento desta rea da inteligncia artificial. Uma rede neural pode ser definida como um arranjo de unidades (neurnios interconectados) que trabalham em paralelo para classificar e generalizar dados de entrada em classes de sada. So atribudos pesos a interconexes e com os dados de entrada determinado o nvel de ativao da unidade na rede. A atividade desta unidade influencia no nvel de ativao de outras unidades na rede, devido os pesos entre as unidades serem modificados at que a rede esteja apta a operar resultados desejados. O aprendizado da rede determinado por um processo repetitivo que tenta adequar os pesos a uma sada correta esperada, para cada amostra de treinamento. relevante salientar que um resultado significativo requer um conjunto de treinamento com amostras puras e representativas das classes (RIBEIRO e CENTENO, 2002 p.58). Nas sees que seguiro, sero discutidos conceitos fundamentais das redes neurais, apresentando primeiro o funcionamento do crebro biolgico e depois sua modelao matemtica atravs das redes neurais artificiais.

2.7.1. - O crebro e o neurnio biolgico De acordo com HAYKIN (2001, p.26), o crebro um sistema de processamento de informao altamente complexo, no-linear e paralelo. Ele tem a capacidade de organizar seus constituintes estruturais, conhecidos por neurnios, de forma a realizar certos processamentos (p. ex., reconhecimento de padres, percepo e controle motor) muito mais rpido que o mais gil computador hoje existente. Sua capacidade de manipular dados, e a maneira que permite constituir imagens mentais de pessoas, lugares e eventos baseado em fragmentos de informao, como sons ou cheiros familiares, ou simplesmente a lembrana de uma data de calendrio, atravs da organizao estrutural de seus neurnios. Esta organizao estrutural (espcie de rede) estimula pesquisadores a tentar imitar o comportamento do crebro. Como o crebro baseado na estruturao de seus neurnios, sero mostradas

26

as principais caractersticas de um neurnio biolgico, para uma posterior compreenso, a respeito do funcionamento das redes neurais artificiais. O neurnio biolgico uma clula que pode ser dividida em trs sees: o corpo da clula, os dendritos e o axnio, cada uma com funes especficas, porm complementares (Figura 2.5).
FIGURA 2.5 NEURNIO BIOLGICO

Como se percebe no modelo do neurnio biolgico (Figura 4.10), fibras nervosas esto conectados ao corpo da clula, chamadas de dendritos. Partindo do corpo da clula existe uma fibra nervosa mais grossa chamada axnio, da qual surgem ramificaes e sub-ramificaes. No fim destas ramificaes esto os pontos de transmisso para os outros neurnios, chamados de junes sinpticas ou sinapses. A sinapse quem controla a transmisso do fluxo de informao entre a sada do neurnio e a entrada do neurnio (vizinho). Os pontos de recepo onde as sinapses vo conectar-se aos outros neurnios podem ser os dendritos ou mesmo o corpo da clula. O axnio de um neurnio possui algumas centenas de sinapses que iro conectar-se com outros neurnios (VIEIRA, 2000 p.253). A clula torna-se ativa quando o neurnio transmissor libera substncias qumicas, causando uma queda no potencial eltrico no corpo da clula receptora. Se este potencial alcana o limite de ativao da clula, um pulso enviado atravs do axnio (ABELM, 1994 p.18). Portanto, impulsos so passados ao neurnio atravs de seus dendritos. Estes impulsos so combinados no corpo da clula e, dependendo da intensidade destes impulsos de entrada, um impulso pode ser passado aos outros

27

neurnios atravs do axnio.

2.7.2. - Neurnio artificial e as redes neurais O neurofisiologista Warren McCulloch e o matemtico Walter Pitts, da Universidade de Illinois em 1943, inspirados pelos avanos na determinao experimental das propriedades eletrofisiolgicas do neurnio, e pelos recentes resultados de Alan Turing e John von Neumann que indicavam ser booleana a natureza essencial da inteligncia, descontada todas as imprecises, publicaram o primeiro trabalho sobre neurnios formais (KOVCS, 1996 p.28). Segundo KOVCS (1996, p. 29), a essncia da proposta de McCulloch e Pitts foi: A inteligncia equivalente ao clculo de predicados que por sua vez pode ser implementado por funes booleanas. Por outro lado, o sistema nervoso composto de redes de neurnios, que com as devidas simplificaes, tem a capacidade bsica de implementar estas funes booleanas. Concluso: a ligao entre inteligncia e atividade nervosa fica estabelecida de forma cientfica. De acordo com TAFNER et al (1996, p.27), o trabalho subseqente de Hebb em 1949 baseou-se em modelos matemticos que tentavam capturar o conceito de aprendizado por associao. Durante os anos de 1950 e incio de 1960 foram desenvolvidos, por Rosenblatt, provas matemticas mostrando que as mquinas que aprendem (chamadas tambm de perceptrons) quando treinadas com conjuntos de treinamento linearmente separveis, convergiriam para uma soluo em um nmero finito de passos iterativos. A soluo tomaria a forma de coeficientes de hiperplanos capazes de separar corretamente as classes representadas pelos padres no conjunto de treinamento. Segundo GONZALES e WOODS (2000 p.425), resultados tratando do desenvolvimento de novos algoritmos de treinamento para perceptrons

multicamadas, que resolvem problemas linearmente no separveis, foram divulgados por Rummelhart, Hinton e Willians em 1986. O sucesso do perceptron com mltiplas

28

camadas estabeleceu-se como um dos principais modelos de redes neurais atualmente em uso. Portanto para dissertar sobre redes neurais artificiais antes necessrio redigir sobre o funcionamento de seus neurnios. O modelo matemtico de um neurnio artificial pode ser entendido com ajuda da Figura 2.6
FIGURA 2.6 - EXEMPLO DE NEURNIO ARTIFICIAL

FONTE: Adaptado de VIEIRA (2000, p.255) Onde Oi : entrada; i : ndice da i-esima entrada; Wi : peso; S : valor de sada da funo de ativao; Y: saida

De acordo com ABELM (1994, p.18), no neurnio artificial vrias entradas (Oi) so possveis. Cada entrada multiplicada por um peso correspondente (Wi), gerando entradas ponderadas, igual fora das sinapses. O corpo do neurnio emulado pela soma ponderada dos valores Oi*Wi recebidos pelo neurnio. A partir da soma ponderada das entradas e usando uma funo de ativao, um valor de sada gerado (S). Este valor ser comparado com o valor limite para ativao do neurnio. Se este valor alcanar o limite de ativao do neurnio, o valor de sada Y transmitido a outro neurnio simulando o fluxo de impulsos no crebro.

2.7.2.1 - A funo de transferncia A funo de transferncia do neurnio quem controla suas sadas, ou seja, gera a sada que ser passada a outro neurnio. A funo no linear - sigmide a

29

mais utilizada para a classificao de imagens digitais e o principal alvo das pesquisas (ABELM, 1994 p.19; VIEIRA, 2000 p.255; TORINO E BARRETO, 2002 p.1437; HANNA E MANDIC, 2003 p.156). Entretanto poderia ser aplicado a outras funes, tais como: logartmico, linear, binria, etc. Adota-se estas funes no lineares, devido ao fato de simularem mais precisamente os neurnios biolgicos (VIEIRA, 2000 p.255). A funo de transferncia sigmide calculada atravs da equao 2.4.
=
1 1 + e S S valor de sada da funo de ativao; (2.4)

2.7.3. - Arquitetura das redes neurais artificiais Segundo HAYKIN (2001, p.46-49), existem trs classes de arquiteturas de redes fundamentais: Redes alimentadas adiante (feed-forward) com camada nica, redes alimentadas diretamente com Mltiplas Camadas, Redes Recorrentes. As redes neurais so organizadas em camadas conectadas, podendo ser a camada de entrada, a(s) camada(s) escondida(s) ou oculta(s) e a camada de sada. Na camada de entrada, ou simplesmente nomeada entrada devido no ocorrer processamento, os dados so apresentados rede. A camada de entrada se comunica a uma ou mais camadas ocultas onde ocorre o processamento por meio de um sistema de conexes ponderadas. A camada de sada apresenta o resultado do processamento. O funcionamento da rede determinado pela conexo entre as unidades de processamento (GERMAN e GAHEGAN, 1996 p.972-973; MURION, 1996a p.996), definida pelos pesos Wi de cada ligao. Nas redes alimentadas adiante com camada nica os neurnios esto organizados na forma de camadas. Uma camada de entrada de ns de fonte que se projeta sobre uma camada de sada de neurnios (ns computacionais), mas no viceversa. Em outras palavras, esta rede estritamente do tipo alimentada adiante ou

30

acclica. Esta chamada rede de camada nica, sendo que a designao camada nica se refere camada de sada de ns computacionais. No contada a camada de entrada de ns de fonte, porque nesta no realizada computao (Figura 2.7).
FIGURA 2.7 ARQUITETURA DA REDE ALIMENTADA ADIANTE COM CAMADA NICA

A redes alimentadas diretamente com mltiplas camadas caracterizada pela presena de uma ou mais camadas ocultas, cujos ns computacionais so chamados de neurnios ocultos ou unidades ocultas. A funo dos neurnios ocultos intervir entre a entrada externa e a sada da rede (Figura 2.8). Segundo HAYKIN (2001, p.47), adicionando-se uma ou mais camadas ocultas, tornamos a rede capaz de extrair estatsticas de ordem elevada. Os neurnios da camada de entrada da rede fornecem os respectivos elementos do padro de ativao (vetor de entrada), que constituem os sinais de entrada aplicados aos neurnios na segunda camada (a primeira camada oculta). Os sinais de sada da segunda camada so utilizados como entradas para a terceira camada, e assim por diante. O conjunto de sinais de sada dos neurnios da camada de sada (final) da rede constitui a resposta global da rede para o padro de ativao fornecido pelos ns de fonte da camada de entrada (primeira).
FIGURA 2.8 ARQUITETURA DE UMA REDE NEURAL FEED-FORWARD

31

As redes recorrentes se caracterizam por terem pelo menos um lao de realimentao. Uma rede recorrente pode consistir, por exemplo, de uma nica camada de neurnios, com cada neurnio alimentando seu sinal de sada de volta para as entradas de todos os outros neurnios (Figura 2.9). Os laos de realimentao envolvem o uso de ramos particulares compostos de elementos de atraso unitrio (Figura 2.9), o que resulta em um comportamento dinmico no-linear, admitindo-se que a rede neural contenha unidades no-lineares (HAYKIN, 2001 p.48).
FIGURA 2.9 ARQUITETURA DA REDE RECORRENTE

2.7.4. - Treinamento da rede neural artificial Segundo HAYKIN (2001, p.75), uma rede neural aprende acerca do seu ambiente atravs de um processo iterativo de ajustes aplicados a seus pesos sinpticos. HAYKIN define: Aprendizagem um processo pelo qual os parmetros livres de uma rede neural so adaptados atravs de um processo de estimulao pelo ambiente no qual a rede est inserida. A rede neural pode ser treinada para resolver problemas de classificao multiespectral. Segundo RIBEIRO e CENTENO (2002, p.57) treinar uma rede neural significa ajustar a sua matriz de pesos, de forma que o vetor de sada coincida com um certo valor desejado para cada vetor de entrada. O treinamento de uma rede pode ser pelo mtodo de aprendizado supervisionado e no-supervisionado.

32

No aprendizado supervisionado considera-se que o analista possui o conhecimento sobre o ambiente, capaz de represent-lo por um conjunto de amostras. No entanto o ambiente desconhecido pela rede neural. Por este motivo o analista fornece rede uma sada correspondente entrada. A resposta desejada representa a ao tima a ser realizada pela rede neural. Os parmetros da rede so ajustados sob a influncia do vetor de treinamento e do sinal de erro. O sinal de erro definido como a diferena entre a resposta desejada e a resposta real da rede. Este ajuste ocorre iterativamente com o objetivo de fazer a rede neural imitar o analista. Desta forma o conhecimento do ambiente disponvel ao analista transferido a rede neural atravs do treinamento (HAYKIN, 2000 p.88). Neste processo iterativo, o erro cometido na classificao, todos os elementos podem ser usados como medida de desempenho da rede na iterao. Este erro uma funo dos parmetros livres do sistema e pode ser visualizado como superfcie de erro onde o mnimo absoluto ou global procurado (Figura 2.10).
FIGURA 2.10 SUPERFCIE DO ERRO MDIO QUADRTICO COM MNIMO LOCAL E MNIMO GLOBAL.

FONTE: Adaptado do MATLAB (1998)

A superfcie de erro obtida a partir do erro cometido em todos os exemplos de treinamento. Qualquer operao do treinamento supervisionado representada

33

como um ponto sobre a superfcie de erro (Figura 2.10). Para que o sistema melhore seu desempenho, o ponto que est representado sobre a superfcie de erro deve ser movido para baixo sucessivamente em direo a um ponto mnimo da superfcie de erro. O ponto mnimo pode ter um mnimo local ou um mnimo global (Figura 2.10). O gradiente da superfcie de erro em qualquer ponto um vetor que aponta na direo da descida mais ngreme. O mnimo global encontrado utilizando-se de gradiente decrescente (KOVCS, 1996 p.83-87). No aprendizado no-supervisionado no h um crtico para supervisionar o processo de aprendizagem e nem exemplo da funo a ser aprendida pela rede. So dadas condies para realizar uma medida independente da tarefa da qualidade da representao que a rede deve aprender, e os parmetros livres da rede so otimizados em relao a esta medida. Uma vez ajustada rede as regularidades estatsticas dos dados de entrada, ela desenvolve a habilidade de formar representaes internas para codificar as caractersticas da entrada e assim criar automaticamente novas classes (HAYKIN, 2001 p.90; MURION, 1996b p.1028 ).

2.7.5. - Algoritmos para o treinamento da rede neural artificial Existem muitos modelos conexionistas, e uma quantidade de publicaes que se dedicam a classific-los (LIPPMAN, 1987 p. 5-10). Dentre estes modelos, foram selecionados alguns que sero apresentados a seguir com seus respectivos idealizadores: Perceptron - proposto por F.Rosenblatt em 1957; Perceptron de Multi-Camadas - proposto por P.Werbos, D.Parker, D.Rumelhart em 1974; Classificador de Carpenter-Grossberg - proposto por G.Carpenter, S.Grossberg em 1978; Rede de Kohonen - proposto por T. Kohonen em 1980; Rede de Hopfield - proposto por J.Hopfield em 1982.

34

No entanto, dentro do escopo desta pesquisa, ir ser exemplificada apenas a caracterstica principal do modelo perceptron multicamadas alimentada adiante utilizando o algoritmo de aprendizado retro-propagao. Devido a grande maioria dos problemas prticos serem no linearmente separveis, a rede perceptron multicamadas gerou muito interesse pela habilidade em aprender a reconhecer padres desta natureza, tendo assim uso generalizado. De acordo com VIEIRA (2000 p.250), as principais caractersticas, desta rede, so: Adequado para problemas no linearmente separveis. Rede neural com, no mnimo, trs camadas, sendo: camada de entrada, camada(s) intermediria(s) ou escondida(s), camada de sada. Sendo que um neurnio interliga vrios outros neurnios de outra camada. Vrios neurnios podem ser combinados para computar problemas mais complexos. Possui um algoritmo de aprendizado, podendo assim melhorar seu desempenho. O algoritmo de aprendizado deste modelo funciona por ciclos. Em cada ciclo, um conjunto de padres apresentado rede neural, e calculado o erro em relao ao resultado esperado. O erro usado para atualizar os pesos, e ento um novo ciclo aplicado. Possuem entradas e sadas binrias que assumem os valores +1 ou 1; A funo de ativao a funo sigmide; Diversas pesquisas tm sido realizadas utilizando redes neurais artificiais (RNA) como instrumento de classificao de imagens digitais, como por exemplo, na deteco de focos de incndio (TORINO E BARRETO, 2002); na classificao de reas agrcolas, na separao de culturas (VIEIRA, 2000); na medicina para a deteco de cncer em Mamogramas Digitalizados (KINOSHITA, MARQUES E FRERE

35

2000); no desenvolvimento de mtodos para a deteco de movimentos de objetos, atravs de seqncia de imagens digitais (FERNANDEZ CABALLERO E AL, 2003) e outras. Com o mesmo propsito, outros pesquisadores tm se empenhado para melhorar a arquitetura ou a classificao na sada da rede, fazendo com que fique mais rpida no seu processamento, aprendizado e treinamento como visto em JI (2000), TONDER E EJIMA (2000), OLIVEIRA E BAUCHSPIESS (2001), MARTINS, GUIMARES E FONSECA (2002), YILMAZ E AKIN (2002), BAKKER E HESKES (2003). VIEIRA (2000 p. 249) reporta que o algoritmo de aprendizado da rede neural mais utilizado na classificao de imagem oriundas do sensoriamento remoto o retropropagao, com arquitetura multi-camadas desenvolvido pelo grupo PDP (Parallel Distributed Processing) constitudo pelos autores RUMMELHART, PARKER, LE CUM e outros em 1980. Pesquisadores partem deste algoritmo, e fazendo as devidas adaptaes, emprega-os em outras reas (RIEDMILLER e BRAUN, 1993 p.586-591; KINOSHITA, MARQUES e FRRE, 2000 p.1214-1216; PHILIP e JOSEPH, 2003 p.215-223). RIEDMILLER e BRAUN (1993 p.586-591), modificaram o algoritmo de aprendizado retro-propagao no intuito de melhorar o tempo de aprendizado obtendo resultados positivos. Como resultado comparativo os autores observaram que enquanto o retro-propagao necessita de 15000 ciclos para convergir o treino, o novo algoritmo (RPROP) necessita de 20 ciclos. Uma caracterstica apresentada pelo algoritmo RPROP que a entrada dos dados para o treinamento realizada em grupo enquanto no retro-propagao realizada tanto em grupo como alternando as classes. OLIVEIRA e BAUCHSPIESS (2001 p.73-78) utilizaram RNA de base radial para a deteco de bordas empregando cadeias direcionais. Os autores compararam o mtodo de rede neural de base radial com o algoritmo retro-propagao existente na arquitetura multi-camada, verificando uma melhor eficincia na rede neural de base radial. Portanto verifica-se a possibilidade de realizar uma segmentao utilizando

36

redes neurais para a identificao de regies similares. RIBEIRO (2003, 160 p.) utilizou a RNA para integrar variveis de diferentes fontes no intuito de identificar unidades geolgicas (classes de rochas no subsolo terrestre) com a proposta de automatizar a separao das mesmas. O autor encontrou vrias unidades geolgicas bem definidas no produto final, concluindo assim que as RNAs so eficientes para integrar dados de diferentes fontes. ANDRADE (2003, 112 p.) utiliza a RNA para identificao de feies na rea urbana observando a influncia de descritores de forma em imagem de alta resoluo espacial (IKONOS II). Conclui que os coeficientes que mais influem na classificao da imagem de alta resoluo espacial so: rea, permetro, coeficiente de compacidade e razo entre eixos da elipse. Ainda conclui que a RNA uma ferramenta til para a integrao de variveis espaciais e espectrais derivadas de imagens do sensoriamento remoto.

37

CAPTULO 3 - MATERIAL E MTODO

3.1 - MATERIAL O material usado nesta pesquisa, bem como o programa utilizado ser descrito a seguir.

3.1.1. - rea de estudo Uma regio, da cidade de Curitiba, prximo as imediaes do Centro Politcnico, foi escolhida como alvo do estudo. Esta regio est ocupada por uma rea urbana tpica, com edificaes, vias e outros objetos presentes no cotidiano das cidades. A rea foi escolhida, devido disponibilidade de imagens QUICKBIRD II (a imagem foi cedida pela empresa TESE Tecnologia em Sistemas Espaciais.) e sendo prxima UFPR possibilita visitas para o levantamento da rea de verificao e reconhecimento das classes presente na imagem. A regio est situada dentro das coordenadas: 677889.58E, 7184178.02N e 678448.18E, 7183549.42N. Um programa foi implementado para a classificao mediante RNAs. Este programa possui algumas limitaes. Dentre elas, ele suporta apenas recortes de imagens de 500x500 pixels e obriga-nos a entrar com imagem compostas por trs bandas espectrais. Portanto foram realizados trs recortes na imagem QUICK BIRD II. O primeiro, com 400x400 que est apresentada na Figura 3.1, possuindo as coordenadas 678168.88, 7183828.72 e 678448.18, 7183549.42. Este recorte apresenta vias asfaltadas, casas bem definidas e espaadas, edificaes grandes, como um Shoping, rvores e vegetao branda (gramneas, pequenos arbustos, pastagens etc), este caracterizado pela vegetao entre as edificaes e sua boa distribuio. Um segundo recorte de 500x500 que est apresentado na Figura 3.2, posicionado esquerda do primeiro, nas coordenadas 677889.58, 7183898.72 e 678238.88,

38

7183549.42. Este recorte possui as mesmas classes do primeiro recorte, porm destaca-se pela grande aglomerao entre edificaes. E finalmente um terceiro recorte, representado pela Figura 3.3, tambm de 500x500, posicionado acima do segundo recorte, nas coordenadas 677889.58, 7184178.02 e 678238.88, 7183828.72. Este recorte possui as mesmas classes do primeiro, porm caracterizado pelo maior nmero de vegetao.
FIGURA 3.1 - PRIMEIRO RECORTE DA IMAGEM QUICKBIRD II, DA REGIO EM ESTUDO

39
FIGURA 3.2 - SEGUNDO RECORTE DA IMAGEM QUICKBIRD II, DA REGIO EM ESTUDO

FIGURA 3.3 - TERCEIRO RECORTE DA IMAGEM QUICKBIRD II, DA REGIO EM ESTUDO

40

3.1.2. - Imagem QUICKBIRD II Na Tabela 3.1 esto as principais caractersticas da imagem de satlite utilizada. Tendo destaque a resoluo espacial de 0.61 no nadir para a imagem pancromtica e 2.44m na multiespectral. Observa-se que com 25 de inclinao obtm-se uma resoluo de 0.72m para a pancromtica e 2.88m para a multiespectral. As cenas possuem um imageamento de 16.5km x 16.5km. A empresa TESE forneceu a imagem utilizada que possui quatro bandas sendo a pancromtica com 0.70m de resoluo espacial e 2.88m na multiespectral. A mesma executou a fuso das imagens obtendo um produto com 0.70m de resoluo espacial, porm com 8 bits de resoluo radiomtrica, o que impulsionou a realizao de uma nova fuso, empregando o mtodo de componentes principais, gerando um produto com 0.7m de resoluo espacial e 11 bits de resoluo radiomtrica. Um recorte deste produto pode ser observado na Figura 3.1.
TABELA 3.1 - PRINCIPAIS CARACTERSTICAS DO SENSOR QUICKBIRD II. Altitude Inclinao Velocidade Durao da rbita Tipo de rbita Resoluo Espacial Bandas Espectrais 450 Km 98 7.1 Km/s 98 min Sncrona com o sol Pancromtica: 0.61m / Multiespectral: 2.44m 0.72 m (25) 2.88m (25) Pan 0.45-0.90 m Azul 0.45-0.52 m Verde 0.52-0.60 m Vermelho 0.63-0.69 m Infravermelho prximo 0.76-0.90 m 11 bits (2048 nveis de cinza) Cenas de 16.5km x 16.5km 1 a 3.5, dependendo da latitude ( 30 off nadir)

Resoluo Radiomtrica Imageamento Freqncia de revisita

Fonte: INTERSAT (2004)

41

3.1.3. - Grade regular altimtrica O levantamento laser scanner da regio, foi realizado com o sistema OPTECH / INS GPS APPLANIX, pertencente ao Instituto de Tecnologia para o Desenvolvimento (LACTEC - UFPR). O sistema de referncia de coordenadas utilizado para o rastreamento foi o WGS84 (World Geodetic System, 1984). Utilizando os dados disponveis pelo laser gerada, atravs do programa SURFER, uma grade altimtrica regular de 0.7m com as mesmas dimenses da resoluo espacial da imagem, bem como as mesmas coordenadas. No intuito de obter apenas as alturas dos objetos em relao ao solo, presentes na cena, foram realizados os seguintes passos: 1. Inicialmente, so coletados pontos (aproximadamente 70 pontos para cada recorte), a partir da grade regular original. Pontos representativos que modelem a superfcie do solo, desprezando assim as elevaes das edificaes, rvores, etc. 2. De posse deste conjunto de pontos, que descrevem a superfcie do solo, gerada uma segunda grade desses pontos. 3. Finalmente, em um terceiro momento, realizada a subtrao das grades. Toma-se a grade original, que possui as elevaes com referncia geidal, e subtrai desta, a grade que representa a superfcie do solo. Esta operao resulta em uma terceira grade com apenas a altura dos objetos em relao ao solo, contidos na cena. Este produto final pode ser observado atravs da Figura 3.4.

42
FIGURA 3.4 - IMAGEM ALTIMTRICA DA ALTURA DOS OBJETOS EM RELAO AO SOLO, ORIUNDA DE DADOS DO LASER SCANNER.

3.1.4. - Programas utilizados ENVI: Foi utilizado com o objetivo de recortar e registrar a imagem QUICKBIRD II. ECOGNITION, da Defines: Foi utilizado com o objetivo de segmentar e integrar nesta segmentao dados do laser scanner, considerando tambm os parmetros de forma como compacidade e suavidade. Compilador C++ BUILDER, da Borland: Foi utilizado para implementao do programa, sendo dividido em mdulos: operao de dados laser scanner, importao de imagem segmentada, classificadores e verificao. SURFER, da Golden Software: Foi utilizado para gerar a grade regular a partir dos dados do laser scanner, bem como a subtrao das grades gerando uma nova grade com apenas a altura dos objetos presentes na cena.

43

3.2 - METODOLOGIA Para descrever a metodologia, inicialmente ser introduzido um diagrama de blocos contendo todos os procedimentos necessrios para a execuo deste trabalho. O diagrama de blocos est representado na Figura 3.5. Nas sees que seguiro estar dissertado detalhadamente cada nvel necessrio execuo deste projeto.
FIGURA 3.5 - DIAGRAMA DE BLOCOS DA METODOLOGIA A SER EMPREGADA NA DISSERTAO
Imagem Digital Segmentao Imagem Altimtrica Amostras de Treinamento Rotulao

Amostras de Verificao

Mxima Verossimilhana

Mnima Distncia

Redes Neurais Artificiais

Imagem Classificada

Imagem Classificada

Imagem Classificada

Avaliao da Classificao

Comparao dos Resultados

De forma sucinta, inicialmente as imagens espectrais e a grade altimtrica so combinadas e a partir destas realizada a segmentao. Com a imagem segmentada realizada a rotulao dos segmentos. Assim torna-se possvel a coleta das amostras de treinamento, escolhendo segmentos representativos de cada classe, inicia-se ento, o processo de classificao e a gerao da imagem temtica. Esta nova imagem comparada com a verdade de campo e assim tem-se uma estimativa da acurcia da classificao. A metodologia empregada para a implementao do programa em linguagem

44

C++ pode ser observada pelo diagrama de blocos da Figura 3.6.

FIGURA 3.6 - DIAGRAMA DE BLOCOS DO PROGRAMA IMPLEMENTADO EM LINGUAGEM C++.

Informao Laser Scanner Informao espectral Informao Espacial

Bandas Espectrais do Sensor Orbital

Altimetria

Segmentao e Rotulao

Descritores de Objetos Rede Neural Artificial Classificao dos Segmentos Mnima Distncia Mxima Verossimilhana

Verificao da Classificao

3.2.1. - Segmentao da imagem e sua rotulao

3.2.1.1 - Crescimento de Regies implementado A implementao de um algoritmo de segmentao executado mediante a tcnica do crescimento de regio por agregao de pixels, apresentado na seo 2.4.2. Para a rea de estudo, o algoritmo implementado gera aproximadamente 70.000 segmentos e os objetos da cena no apresentam suas caractersticas de forma, tornando-se difcil a extrao destas caractersticas dos objetos. Por este motivo, optou-se por utilizar a segmentao espectral-espacial disponvel no programa eCognition.

45

3.2.1.2 - Segmentador espacial-espectral do eCognition

3.2.1.2.1 - Fundamentos O agrupamento de pixels na segmentao espacial-espectral do

eCognition basicamente um algoritmo de crescimento de regies, que guia a fuso de regies baseado num critrio de semelhana espectral-espacial. O critrio de semelhana usado para definir a uniformidade dos segmentos. Dois critrios so usados para descrever a separao do objeto da imagem: critrio espectral e o critrio da forma (suavizao e compactao). Estes critrios controlam a homogeneidade dos segmentos ou regies. Segundo ECOGNITION (2001, p.3-20), a descrio de heterogeneidade espectral composta pela soma dos desvios padro dos valores do contador digital para uma dada banda(c) ponderados pelos pesos wC , sendo:
He =

w
c

(3.1)

Contudo, em muitos casos, a minimizao exclusiva da heterogeneidade espectral resulta em segmentos fragmentados, principalmente em imagem muito texturizada. Por esta razo, deve-se considerar alm da heterogeneidade espectral o critrio de heterogeneidade espacial. A heterogeneidade espacial considerada como um desvio de uma forma compacta, descrita pela razo do comprimento da borda do objeto e o nmero de pixels que o compe. Este clculo pode ser visto pela equao 3.1. Ainda possibilita descrever a forma suave utilizando ao invs de nmeros de pixels, o comprimento de um quadrado ou retngulo que compreenda o objeto (equao 3.2 e 3.3) (ECOGNITION, 2001 p.3-20).
l hfcp = n (3.2)

onde

46

l = permetro que compe o objeto e n = nmero de pixels que compe o objeto.

hfsv = l/bA (3.3)

onde l = permetro que compe o objeto e bA = permetro do quadrado que compreende o objeto. Para esclarecer melhor a diferena entre um objeto compacto e suave, veja os exemplos da Figura 3.7. Na Figura 3.7 (a) observa-se um objeto que suave e compacto. Em (b) o objeto no suave porm compacto. Em (c) o objeto apresenta a caracterstica de suavidade porm no compacto. Em (d) observa-se que o objeto no suave e nem compacto.
FIGURA 3.7 - EXEMPLO DE OBJETOS COMPACTOS E SUAVES.

(a)suave e compacto

(b)no suave mas compacto

(c)suave mas no compacto

(d)no suave e nem compacto

O processo de crescimento de regies inicia-se com um pixel formando um objeto ou regio, sendo que, a cada etapa, um par de objetos funde-se para formar um objeto maior. O processo de fuso est baseado no critrio de homogeneidade, observando-se a heterogeneidade h entre os objetos adjacentes. Na equao 3.4 demonstra-se o clculo para verificao desta heterogeneidade.
h=

( f

1d

f 2d ) 2

(3.4)

onde h = heterogeneidade entre objetos para um espao d-dimensional. f1d e f2d = varincias espectrais de dois objetos.

47

A fuso local de objetos um processo iterativo que objetiva alcanar uma heterogeneidade mnima no processo de agregao. A base o grau de diferena de heterogeneidade entre duas regies. Uma vez que a diferena decresce, torna-se maior o critrio de fuso. Esta diferena otimiza o processo comparando os atributos das duas regies. Num dado espao de atributos, objetos so considerados similares se estiverem espectralmente prximos. O critrio de fuso entre duas regies adjacentes descrito pela mudana de heterogeneidade hdif aps uma fuso virtual. Dado um determinado critrio de heterogeneidade para uma regio, o crescimento de heterogeneidade na fuso deve ser minimizado. Existem diferentes possibilidades de descrever a mudana de heterogeneidade antes e depois da fuso. A equao 3.5 corresponde diferena de heterogeneidade considerando o tamanho dos objetos.
hdif = hm (h1n1 + h2n2)/(n2 + n1) (3.5)

onde h1 e h2 = heterogeneidade para dois objetos; hm = heterogeneidade aps a fuso virtual; e n = tamanho dos objetos. Como j foi citado, o critrio de fuso depende da caracterstica espectral e da espacial. De acordo com ECOGNITION (2001, p.3-22), o valor geral do critrio de fuso f determinado na equao 3.6, tendo em vista a forma e cor.
f = whcor + (1-w)hforma (3.6)

onde f = critrio de fuso; w = o peso dado a varivel (cor); hcor = heterogeneidade espectral; e hforma = heterogeneidade espacial. As equaes 3.7 e 3.8 determinam hcor e hforma

48

hcor =

w (n
c a

(n1 1 n2 2 ))

(3.7)

onde c = bandas; na = tamanho do objeto agrupado; n1 e n2 = tamanho dos objetos; e 1 e 2 = desvios padres dos objetos.
hforma = wcphcp + (1-wcp)hsv (3.8)

onde wcp = peso da compacidade; hcp = compacidade; e hsv = suavidade. A determinao de hcp e hsv, so descritas pelas equaes 3.9 e 3.10.
hsv = na(la/ba) (n1(l1/b1) + n2(l2/b2)) hcp = na(la/(na)1/2) (n1(l1/(n1)1/2) + n2(l2/(n2)1/2)) (3.9) (3.10)

onde l1 e l2 = so os permetros dos objetos; b1 e b2 = so os permetros dos quadrados envolventes; ba e la = referem-se ao objeto fundido (virtual). Os pesos so determinados de acordo com os critrios de semelhana definidos pelo usurio. O peso maior dado para a varivel espectral, por ser a imagem multiespectral. Toda a imagem segmentada e os objetos so gerados baseados em critrios ajustveis de homogeneidade ou heterogeneidade espacial ou espectral.

49

3.2.1.2.2 - Resultados da segmentao no eCognition O resultado da segmentao no eCognition uma imagem temtica, onde a cada regio atribudo um valor digital, e uma tabela com os descritores de cada regio, disponveis neste sistema. Para a utilizao deste resultado nas fases posteriores do processamento, um programa para identificar os segmentos foi implementado. O programa implementado rotulou os segmentos com um nico nmero para cada segmento. Com estes segmentos foi realizada a amostragem utilizando os critrios apresentados na seo 3.2.5.

3.2.2. - Descrio dos segmentos No instante da rotulao o algoritmo descreve os segmentos de acordo com sua forma (rea, permetro, coeficiente de compacidade e razo entre eixos da elipse) e a mdia das alturas presentes na regio, ou seja, a mdia altimtrica a partir da grade regular de elevaes.

3.2.3. - Altimetria Como j mencionado na seo 3.1.3, gerada uma grade regular com as mesmas dimenses e resoluo espacial da imagem a partir das medies pontuais do levantamento do laser scanner. Esta grade contm as alturas de cada pixel e possui as mesmas caractersticas que a imagem multi-espectral, em termos de tamanho do pixel. Outrossim, um conjunto de pixels forma a regio que descreve o objeto da cena, logo a mdia das alturas dos pixels que compem uma regio o valor representativo do segmento rotulado.

50

3.2.4. - Descritores espaciais Para a descrio da forma dos segmentos neste trabalho, so utilizados a rea, o permetro, o coeficiente de compacidade e a razo entre eixos maior e menor da elipse. Nas prximas sees, eles sero descritos.

3.2.4.1 - rea e Permetro Estes so os mais simples descritores utilizados. A rea obtida contando todos os pixels que formam a regio, e o permetro calculado considerando o nmero de pixels conexos (em funo do predicado de conectividade escolhido) que constituem o contorno da regio.

3.2.4.2 - Coeficiente de compacidade O coeficiente de compacidade mede o grau de semelhana entre a regio e a circunferncia de um objeto. O objeto menos compacto medida que seu contorno se torna mais irregular. O coeficiente de compacidade (cc), obtido atravs da equao 3.11 :
cc = P2 4A

(3.11)

De acordo com FACON (1993, p.152), o coeficiente de compacidade (cc) invariante na mudana de escala, j que o mesmo depende dos descritores simples como a rea e o permetro que no dependem da mudana de escala. A compacidade tambm invariante na translao e na mudana de orientao.

3.2.4.3 - Razo entre o Eixo Menor e Maior da Elipse Este descritor emite a informao do contorno que a razo dos eixos menor e maior da elipse que mais se ajusta ao objeto ou elemento analisado. Estes eixos

51

podem ser obtidos atravs da anlise por componentes principais (ANDRADE, 2003 p.41). A partir da determinao da matriz de varincia-covarincia da posio dos pixels pertencentes ao objeto, so calculados os autovetores que correspondem orientao das 1 e 2 componentes. A relao entre os autovalores representa o comprimento relativo dos eixos das componentes principais do segmento (CROSTA, 1992 p.142).

3.2.5. - Coleta de Amostras Para coletar as amostras que foram utilizadas na classificao da imagem segmentada, foi implementado um programa em linguagem C++ (Figura 3.9). Este algoritmo armazena o valor do rtulo onde fixado um clique do mouse. Aps realizada a coleta de amostras, possvel gerar o arquivo com as amostras e seus descritores de forma e altimetria (Figura 3.8) possibilitando a variao entre classes, intercalando-as. Este princpio produz um melhor aprendizado do conhecimento do projetista pela rede neural artificial.
FIGURA 3.8 - INTERFACE DO ALGORITMO GERADOR DO ARQUIVO DE TREINAMENTO.

52
FIGURA 3.9 - INTERFACE DO ALGORITMO COLETOR DE AMOSTRAS COM AS AMOSTRAS COLETADAS NA IMAGEM QUICKBIRD II UTILIZADAS NO TREINAMENTO DOS CLASSIFICADORES.

Analisando usualmente a imagem QUICKBIRD II, percebe-se cinco classes distintas na imagem. Assim foram coletadas 40 amostras para cada classe: Edificao com telhado escuro e Edificao com telhado claro, estrada pavimentada (asfalto), rvore e vegetao rasteira (campo, pastagem, gramneas, arbustos com baixa altimetria). Com essas classes foram formados os arquivos de amostras com a variao entre classes levando em considerao a alternncia das classes no processamento da imagem, ou seja, as amostras foram intercaladas. O arquivo gerado pode ser observado pela Figura 3.10.

53
FIGURA 3.10 - ARQUIVOS GERADOS PARA TREINAMENTO DOS CLASSIFICADORES CONSIDERANDO A INTERCALAO ENTRE CLASSES.

(a) Arquivo com 15 sries (1..5) contendo 1 amostra (b) Arquivo com 1 srie (1..5) contendo 3 amostras para cada classe. para cada classe.

Coletada as amostras da imagem segmentada, inicia-se os processos de classificao. Estes mtodos esto apresentados nas sees 3.2.6, 3.2.7 e 3.2.8.

3.2.6. - Implementao da rede neural artificial Para este trabalho adotada a arquitetura multicamadas com alimentao adiante (feed-forward) com o aprendizado de retro-propagao (back-

propagation); possui bias que tem influncia externa ao neurnio, e a funo de transferncia adotada a sigmide como dito anteriormente na seo 2.7.2.1. A Figura 3.11 est representando a arquitetura do modelo multicamada com retro-propagao.

54
FIGURA 3.11 - ARQUITETURA DO MODELO DE MULTICAMADA COM RETRO-PROPAGAO.

FONTE: Adaptado de RIBEIRO e CENTENO (2002 p.58).

3.2.6.1 - Algoritmo de aprendizado retro-propagao. O algoritmo de aprendizado retro-propagao o algoritmo que ajusta os pesos das conexes intermedirias, sendo isto realizado de trs para frente em funo do erro verificado na camada de sada. Este algoritmo consiste em fornecer variaes para alternar os pesos da rede, objetivando minimizar o erro global na sada atravs do aprendizado. O algoritmo baseia-se no mtodo do gradiente decrescente, que sugere mudanas nos pesos Wij por uma quantidade Wij proporcional ao gradiente da superfcie de erro E. (HANNA E MANDIC, 2003 p.156).
Wij = (E/Wij)

(3.13)

onde a taxa de aprendizado, i refere-se ao neurnio da camada posterior e j ao neurnio da camada anterior. De acordo com ABELM (1994, p.26), executandose a derivada e fazendo-se a mudana, para cada padro de entrada individualmente, encontra-se:

55

Wij = ij

(3.14)

onde
i = (A i)*F(Si)

(3.15) (3.16)

F(Si)= F(Si)*(1- F(Si))

Onde i representa a diferena entre a sada esperada (A), e a sada da rede(i), ou seja, o erro local da unidade i para o padro procurado, isto multiplicado pela primeira derivada da funo de ativao(F) do valor Si. A Equao 3.15 conhecida como regra delta (VIEIRA, 2000 p. 259). E finalmente o termo j a sada produzida pela rede para o padro procurado na conexo j. As funes mais utilizadas, que ajudam no controle da ativao do neurnio e que fazem uma simulao aproximada do modelo de um neurnio biolgico, so as funes no lineares (ABELM, 1994 p.19; VIEIRA, 2000 p.260; BECERIKLI, KONAR E SAMAD, 2003 p.252) j dito anteriormente, e so muito utilizadas no modelo de retro-propagao. Ser adotada, para este trabalho a funo sigmide, onde os pontos de saturao esto entre 0 e 1 (Equao 3.17).
i =
1 1 + e Si (3.17)

J para se fazer o ajuste dos pesos para as camadas intermedirias, substitui-se o erro local apresentado na Equao 3.15, pelo somatrio dos produtos entre os pesos que ligam o neurnio em questo com os neurnios da camada de sada(i) e os deltas() dos respectivos neurnios da mesma. Este clculo realizado utilizando a Equao 3.18.
i = (j*Wij)*F(Si)

(3.18)

Portanto se consegue fazer o ajuste tanto para os pesos da camada de sada com as equaes 3.14 e 3.15, como para as camadas intermedirias com as equaes 3.14 e 3.18. Se tiver mais camadas escondidas calcula-se o delta() tendo como

56

referncia a camada escondida anterior no clculo do delta. Para iniciar o processo de treinamento desta rede, antes necessrio que todos os pesos sejam inicializados randomicamente, garantindo desta forma que a rede no fique saturada com grandes valores de pesos. Aps so realizados os seguintes passos: 1. Selecionar um conjunto de treinamento e aplicar esta entrada rede; 2. Calcular a sada da rede; 3. Calcular o erro entre a sada da rede e a sada desejada (alvo); e 4. Ajustar os pesos da rede de maneira a minimizar o erro. Repetir o passo 1 at o passo 4 para cada vetor do conjunto de treinamento, at o erro se tornar aceitvel, baixo para o conjunto inteiro. Observa-se que os passos 1 e 2 constituem a etapa de propagao, onde a entrada propagada atravs da rede, da entrada at a sada. Os passos 3 e 4, constituem a etapa de retro-propagao, onde o erro calculado propagado de volta atravs da rede para ajustar os pesos. De acordo com VIEIRA (2000, p.264-265), apesar do grande sucesso do modelo de retro-propagao, existem alguns problemas que se deve citar, como o longo perodo de treinamento, principalmente para problemas complexos e mnimos locais. Sabendo que a superfcie do erro geralmente cheia de vales e desnveis, e o algoritmo empregado um tipo de gradiente descendente, existindo uma possibilidade de ficar preso em um mnimo local como mostrado na Figura 3.12.
FIGURA 3.12 - SUPERFCIE DE ERRO, CORTE TRANSVERSAL.

Mnimo Global

Mnimo local com infinitas solues

Mnimo local
FONTE: Adaptado de BOTELHO (2002 p.12)

57

Durante o treinamento os pesos podem ser ajustados para valores muito grandes, levando a paralisar a rede. Devido os problemas citados acima no modelo de retro-propagao, inmeras propostas tem sido feitas nos ltimos anos (VIEIRA, 2000; ABELM, 1994; HERTZ, 1991; WASSERMAN, 1989). Foi proposta por RUMELHART, HINTON E WILLIAMS em 1986 uma alternativa chamada de momento, para diminuir o tempo de treinamento, assegurando um maior grau de estabilidade para a rede, mostrando-se eficiente em alguns casos. O termo momento especifica a quantidade que ser acrescentada da variao do velho peso(Wij(t)) para o novo peso (Wij(t+1)). Esta quantidade computada usando a equao 3.19.
Wij(t+1) = ij +Wij(t)

(3.19)

Onde o momento. Segundo VIEIRA (2000, p.264), o termo bias representa uma influncia externa no neurnio e possui uma grande influncia na convergncia da rede. A bias determina onde a funo de ativao tem sua ascenso mais ngreme (Equao 3.20).
Si = (j*Wij) + (3.20)

onde o termo bias. Na Figura 3.13 observa-se a interface do algoritmo de retro-propagao na arquitetura multicamada implementado em linguagem C++. Tambm exibido um grfico onde no eixo das ordenadas est o erro mdio do treinamento e no eixo das abscissas est o total de treinos a serem executados.

58
FIGURA 3.13 - INTERFACE DO ALGORITMO RETRO-PROPAGAO NA ARQUITETURA MULTICAMADA.

3.2.6.2 - Treinamento da rede neural artificial para a classificao. Para que o treinamento da rede neural no se torne tendencioso necessrio que se intercale as amostras de treinamento. Como exemplo prtico desta situao pode-se citar o aprendizado de lnguas estrangeiras. Quando o crebro humano condicionado a apenas uma lngua estrangeira, este aprende satisfatoriamente aquela lngua. Porm, quando condicionado a outro pas onde exposto a outra lngua a tendncia esquecer a lngua anterior e se adequar apenas a lngua que foi exposta mais recentemente. Porm quando o crebro exposto a vrias lnguas de uma nica vez, este se adapta e aprende todas de forma satisfatria. Para verificao do treinamento foi adotado o coeficiente Kappa descrito na seo 3.2.10.

59

3.2.6.3 - Metodologia para a definio da arquitetura Segundo GERMAN e GAHEGAN (1996, p.973), a escolha da arquitetura da rede totalmente experimental. Porm para iniciar o processo, em um perceptron de multicamadas, pode-se adotar o critrio da segunda camada intermediria ser 1/3 da primeira camada intermediria. Portanto foram executados testes que ajudaram na escolha da arquitetura para a melhor classificao desta imagem. Testes com 2 camadas escondidas foram executados. No primeiro experimento adotou-se 120 e 40 neurnios na primeira e na segunda camada escondida, respectivamente. Nos experimentos seguintes o nmero de neurnios foi reduzido, com o intuito de encontrar a arquitetura da rede mais apropriada para este problema. O arquivo de entrada para treinamento possui 5 classes com 5 descritores (3 informaes espectrais, 2 descritores de forma). Quando se introduziu apenas 1 descritor de forma, a arquitetura que melhor se enquadrou foi a que possua 90 neurnios para a primeira camada e 30 para a segunda. No segundo experimento, aps vrias tentativas, adotou-se 60 e 20 neurnios na primeira e na segunda camada escondida, respectivamente. O arquivo de entrada para treinamento possui 5 classes com 5 descritores (3 informaes espectrais, 1 descritores de forma e a diferena de altitude). O melhor resultado obtido foi o que adotou uma arquitetura de 60 neurnios para a primeira camada e 20 para a segunda, utilizando no arquivo de treinamento, a varivel diferena de altitude (segundo experimento). Justifica-se esta escolha devido a separabilidade entre classes utilizando a varivel diferena de altitude oriunda dos dados do laser scanner ser melhor para separar as classes que os descritores de forma. Esta abordagem, ser melhor indagada na seo 4.2.5.

60

3.2.7. - Implementao do Mtodo distncia mnima O mtodo de classificao da distncia mnima atribui cada elemento desconhecido classe cuja mdia mais prxima a ele, ou seja, a atribuio de uma classe ao elemento depende da distncia em relao classe a qual este foi atribudo. A equao 3.21 descreve o critrio de deciso deste mtodo.
d ( x, w j ) = ( X M j ) T ( X M j ) (3.21)

onde X = elemento representado por um vetor contendo informao espectral, descritor de forma e altimetria; M = vetor de mdia da classe, contendo informao espectral, descritor de forma e altimetria; j = classe em anlise. Como neste estudo consideram-se regies como elemento da imagem, as classes foram descritas a partir das mdias das variveis (rea, forma, coeficiente de compacidade, razo entre eixos e altimetria), calculadas a partir das amostras coletadas para cada classe.

3.2.8. - Implementao do Mtodo Mxima Verossimilhana O problema da classificao de imagens de satlite tambm pode ser encarado do ponto de vista estatstico, atribuindo o pixel para a classe mais provvel. Para isto so necessrios conceitos bsicos de probabilidade. A probabilidade condicional descrita pelo Teorema de Bayes (RICHARDS e JIA, 1999 p.396) serve para estimar a probabilidade de uma classe ocorrer. O elemento x pertence classe wi se
P ( x wi ) > P( x w j ) i j

ou
P ( wi | x) > P( w j | x) com P( wi | x) = P( x | wi ) P ( wi ) P ( x)
(3.22)

61

Assumindo uma distribuio gaussiana dos pixels dentro de cada classe tem-se para M-variveis
P ( x | wi ) = (2 )
m / 2

1 / 2

exp 0.5 * (x j ) 1 (x j )
t

(3.23)

Para fins de facilitar os clculos, na equao 3.22, os termos P(x) e P(wi) podem ser considerados constantes, do que resulta:
x wi se P( x | wi ) > P( x | w j )

Substituindo (3.23) e fazendo os devidos clculos e simplificaes obtm-se a equao 3.24 que expressa o critrio de deciso do mtodo
G ( x) = log( j ) + ( x j ) t
1

(x j )

(3.24)

x w j se G j ( x) < Gk ( x) j k
onde

= Determinante da matriz de varincia-covarincia; = Inversa da matriz de varincia-covarincia;

= Vetor mdio da classe j.

3.2.9. - rea de verificao Para avaliar se as informaes que compem o mapa resultante de uma classificao possuem confiabilidade temtica, faz-se necessrio avaliar a preciso do treinamento da classificao. O mtodo tradicional de verificao da preciso de uma classificao utiliza uma matriz de erros ou matriz de confuso. Para analisar o desempenho de mtodos de classificao utiliza-se o coeficiente Kappa, sendo este o mais usual na determinao da acurcia da classificao. Porm para avaliar o mapa temtico resultante necessria uma rea de verificao (verdade de campo), onde todos os elementos da cena sero identificados. Nesta pesquisa, como reas de verificao foram vetorizadas, os objetos da cena foram identificados atravs de uma anlise visual para uma posterior avaliao. A

62

vetorizao pode ser observada na Figura 3.14. A partir desta imagem vetorizada, utiliza-se o ENVI para transformar os dados vetoriais ao formato raster, e assim produzir uma imagem temtica com a verdade do campo, com a mesma resoluo que a imagem original (Figura 3.15) para uma posterior comparao e anlise da acurcia.
FIGURA 3.14 - VERDADE DE CAMPO VETORIZADA.

63
FIGURA 3.15 - VERDADE DE CAMPO RASTERIZADA.

3.2.10. - Avaliao da imagem classificada Para a comparao dos resultados so utilizadas tabelas que possuem ndices de acurcia global, adotado para este estudo o ndice kappa. Nas mesmas, esto exibidos os coeficientes que expressam a exatido das classes, tanto do ponto de vista do usurio como a exatido do ponto de vista do produto. Todos estes parmetros so derivados da matriz de confuso. O coeficiente kappa tem sido utilizado tanto para avaliar a eficincia da classificao em mtodos convencionais pixel a pixel, como em mtodos de classificao por regies dando relevncia aos objetos da cena, como exemplo cita-se os autores LIRA e MALETTI (2002 p.958) e SOHN e REBELLO (2002 p.1276). A matriz de confuso um resumo do sucesso da classificao pois nela so representados o nmero de pixels corretamente classificados e o nmero de erros por classe. Esta possui o tamanho m x m, sendo m o nmero de classes j definidas. Sua

64

diagonal compreende o nmero de elementos corretamente classificados, suas linhas representam as classes da verdade de campo e suas colunas as classes do mapa obtido atravs da classificao (JENSEN, 1996 p.249). A partir desta matriz possvel calcular um ndice de preciso da classificao total (ndice Kappa - k) dado pela equao 3.25:
k= Po Pc 1 Pc

(3.25)

onde:
Po = X ii
i =1 M M

(3.26) (3.27)

Pc = X i + X + i
i =1

sendo: P0 = concordncia observada. PC = concordncia esperada, sendo Xi+ os elementos pertencentes a uma determinada classe e X+i os elementos classificados em uma determinada classe de objeto. M = total de classes. O coeficiente Kappa pode apresentar valores entre -1 e +1, e o mesmo pode mostrar o desempenho da classificao de acordo com a seguinte Tabela3.2:
TABELA 3.2 - COEFICIENTE KAPPA E O DESEMPENHO DA CLASSIFICAO Kappa Desempenho da Classificao <0 Pssimo 0 < < 0,2 Mau 0,2 < < 0,4 Razovel 0,4 < < 0,6 Bom 0,6 < < 0,8 Muito Bom 0,8 < < 1,0 Excelente FONTE: Moreira, 2001 p.196.

No resultado da classificao, isto , na avaliao da acurcia por meio da matriz de confuso se distinguem dois tipos principais de erros: erros de omisso e

65

erros de incluso. Os erros de omisso so pixels pertencentes a uma determinada classe que foram erroneamente classificados como sendo de outra. Estes erros servem para descrever com que preciso uma determinada classe foi definida. Isto leva ao conceito de exatido do ponto de vista do produtor (criador) do mapa temtico. Quanto maior o erro de omisso maior ser a exatido do ponto de vista do produtor. A exatido do ponto de vista do produtor pode ser calculada pela equao 3.28.
EP = onde M (i, i ) *100 SL(i ) EP : exatido do ponto de vista do produtor; M(i,i) : elemento da diagonal; SL(i) : soma parcial da linha i da matriz de confuso. (3.28)

Os erros de incluso correspondem aos pixels que, sendo na realidade de outra classe, foram includos na classe considerada. O usurio estaria interessado em saber se pode confiar no produto. Estes erros evidenciam se o total de pixels representados como uma determinada classe na imagem temtica, realmente corresponde a esta classe. Quanto menor o erro de incluso maior ser a exatido do ponto de vista do usurio. A exatido do ponto de vista do usurio pode ser calculada pela equao 3.29.
EU = onde M (i, i ) * 100 SC (i ) EU : exatido do ponto de vista do usurio; M(i,i) : elemento da diagonal; SC(i) : soma parcial da coluna i da matriz de confuso. (3.29)

3.2.10.1 - Algoritmo de avaliao implementado Pela Figura 3.16, observa-se a interface do algoritmo implementado em linguagem C++ que exerce a funo de avaliao da classificao. O algoritmo exige uma imagem temtica com a verdade de campo onde executa a interseo entre esta e

66

a imagem classificada, resultando o percentual corretamente classificado, bem como os erros de omisso e incluso associados a esta classe (Figura 3.17).
FIGURA 3.16 - INTERFACE DO MDULO DE AVALIAO DA CLASSIFICAO.

FIGURA 3.17 - INTERFACE COM A EXATIDO DO PONTO DE VISTA DO USURIO E DO PRODUTO NA CLASSIFICAO DO OBJETO.

67

CAPTULO 4 - RESULTADOS E DISCUSSES

4.1 - SEGMENTAO DA IMAGEM Os trs recortes, mencionados na seo 3.1.1, foram segmentados utilizando os mesmos parmetros apresentados na seo 3.2.1.2. Eles foram executados desta forma para possibilitar a constituio de um mosaico ao final da classificao. Na Figura 4.1 apresenta-se os polgonos dos segmentos gerados a partir do algoritmo de segmentao do eCognition. Na Figura 4.3(a) e 4.3(b) so apresentadas as imagens segmentadas a partir do eCognition. Para a realizar a segmentao no eCognition, foram introduzidas as 4 bandas espectrais disponveis e a imagem altimtrica, todas com o mesmo peso. A imagem da Figura 4.1(b) o resultado da segmentao com os parmetros de forma e escala conforme Tabela 4.1. Observando a Figura 4.1 nota-se que os objetos da cena esto bem caracterizados pela sua forma, portanto possvel usar parmetros de forma para separar os objetos. O eCognition leva em considerao a forma e a topologia dos objetos na cena (descrito na seo 3.2.1.2.1).
TABELA 4.1 - TABELA QUE FORNECE OS PARMETROS SEGMENTAO NO ECOGNITION. Nivel 1 2 7 5 Escala 0.7 0.3 Escala Cor 0.3 0.7 Forma 0.7 0.7 Suavidade UTILIZADOS EM CADA NVEL DE

Forma Compacidade 0.3 0.3

Como pode ser observado na Tabela 4.1, foram utilizados 2 nveis de segmentao, caracterizando assim uma segmentao espacial-espectral (descrito na seo 2.4.3). No primeiro nvel foi utilizada uma escala de valor igual a 7, parmetro de cor igual a 0.7 e forma igual a 0.3 isto devido ao fato dos objetos da cena estarem caracterizados mais pela cor (informao espectral). suavidade e compacidade foram dados os mesmos pesos de 0.7 e 0.3 valores default do eCognition. No

68

segundo nvel foi acrescida a imagem altimtrica gerada a partir da grade regular (Figura 4.1). O eCognition gera os segmentos do segundo nvel a partir dos segmentos criados pelo primeiro nvel. Portanto, com base no primeiro nvel, a configurao do segundo nvel utilizou uma escala com valor igual a 5, na tentativa de aglomerar mais os segmentos de um objeto, para represent-lo melhor, parmetro de cor igual a 0.3 e forma 0.7 isto devido, neste nvel, ter sido includo a imagem altimtrica produzida a partir dos dados laser scanner. Foi mantida a mesma configurao do nvel 1 para os parmetros de suavidade e compacidade.
FIGURA 4.1 - RECORTE DA IMAGEM QUICKBIRD II ORIGINAL E SEGMENTADA PELO ECOGNITION.

(a) Recorte da Imagem original

(b) Recorte segmentado da imagem segmentada

J para a escolha das trs bandas espectrais, foram realizados testes estatsticos, verificando a relevncia de cada banda na separabilidade entre os objetos na cena. Estes testes podem ser observados nas prximas seces.

69
FIGURA 4.2 - IMAGEM DO PRIMEIRO RECORTE SEGMENTADO NO ECOGNITION E CODIFICADO PELO PROGRAMA

FIGURA 4.3 - IMAGENS DO SEGUNDO E TERCEIRO RECORTE SEGMENTADO NO ECOGNITION E CODIFICADO PELO PROGRAMA

(a) Segundo recorte segmentado

(b) Terceiro recorte segmentado

70

4.2 - VERIFICAO

DA

RELAO

ENTRE

CLASSES

SEGUNDO

OS

PARMETROS ESPECTRAIS E ESPACIAIS. Com o intuito de encontrar uma melhor separabilidade entre classes, foram realizados estudos comparativos entre as bandas espectrais e sua relao com as informaes espaciais. Para tal, foram utilizados grficos comparando estas informaes, apresentados nas Figuras 4.4 a 4.16. Todas as variveis foram normalizadas entre 0 e 255.

4.2.1. - Separabilidade entre informaes espectrais. A Figura 4.4 evidencia a relao espectral entre classes nas bandas 4 e 3. Nota-se a presena de trs grupos que podem ser separados com retas, este so representados pelas classes: edificaes de telhado claro, gramnea e rvores. Um quarto grupo evidenciado, sendo este composto por duas classes confusas: Edificao de telhado escuro e vias.
FIGURA 4.4 - RELAO ENTRE BANDA 4 (INFRA-VERMELHO) E BANDA 3 (VISVEL).

A Figura 4.5 evidencia a relao espectral entre classes nas bandas 1 e 2. Nota-se que com o tracejar de uma reta possvel separar as edificaes de telhado claro das demais. Analisando a Figura 4.6, percebe-se que a mesma situao da Figura

71

4.5 ocorre entre as bandas 2 e 3, porm a classe edificao de telhado claro apresenta-se mais separada das demais classes.
FIGURA 4.5 - RELAO ENTRE BANDA 1 (VISVEL) E BANDA 2 (VISVEL).

FIGURA 4.6 - RELAO ENTRE BANDA 3 (VISVEL) E BANDA 2 (VISVEL).

A Figura 4.7 mostra a relao espectral entre classes nas bandas 2 e 4. Nota-se que possvel separar 4 grupos distintos com 3 retas. Um grupo com gramneas, outro com rvores, e outro com edificao de telhado claro e um quarto grupo com vias e edificao de telhado escuro. Neste ltimo grupo, as classes apresentam-se misturadas, dificultando a separabilidade. Observando a Figura 4.8, nota-se a mesma situao, entre as bandas 1 e 4, dos mesmos grupos da Figura 4.7,

72

porm mais misturados.

FIGURA 4.7 - RELAO ENTRE BANDA 4 E BANDA 2.

FIGURA 4.8 - RELAO ENTRE BANDA 4 (INFRA-VERMELHO) E BANDA 1 (VISVEL).

4.2.2. - Separabilidade entre informaes espectrais e dados do laser scanner. A Figura 4.9 exibe a relao espectral e espacial entre classes representadas pela banda 4 e dados do laser scanner (altitude) respectivamente. Nota-se que todas as classes ficaram bem caracterizadas, com exceo da classe rvore que possui um espalhamento (desvio padro) maior que as demais.

73

FIGURA 4.9 - RELAO ENTRE ALTITUDE E BANDA 4.

A Figura 4.10 evidencia a variao das classes representadas pela banda 2 e dados do laser scanner (altitude) respectivamente. Nota-se quatro grupos distintos, rvore, edificao de telhado escuro, edificao de telhado claro e um quarto grupo com mistura entre vias e gramneas. Comparando a Figura 4.10 com a Figura 4.9, nota-se a classe rvore melhor caracterizada. O mesmo ocorre para a Figura 4.11 e Figura 4.12 onde representada a relao entre classes na banda 2 e altitude, e banda 1 e altitude, respectivamente. Porm, comparando estas duas ltimas figuras com a Figura 4.10, percebe-se que as classes da Figura 4.11 e 4.12 esto mais misturadas.
FIGURA 4.10 - RELAO ENTRE ALTITUDE E BANDA 3.

74

FIGURA 4.11 - RELAO ENTRE ALTITUDE E BANDA 2.

FIGURA 4.12 - RELAO ENTRE ALTITUDE E BANDA 1.

4.2.3. - Separabilidade entre dados do laser scanner e descritores de forma. A Figura 4.13 evidencia a relao espacial entre classes representadas pela rea do segmento e sua altitude mdia respectivamente. Nota-se que todas as classes no foram bem caracterizadas existindo uma confuso, principalmente, entre rvores e edificao de telhado escuro, vias e gramnea. O mesmo ocorre para as combinaes da diferena de altitude com o permetro, diferena de altitude com razo

75

entre eixos da elipse e diferena de altitude com coeficiente de compacidade apresentadas nas Figuras 4.14, 4.15, 4.16, respectivamente.
FIGURA 4.13 - RELAO ENTRE ALTITUDE E REA

FIGURA 4.14 - RELAO ENTRE ALTITUDE E PERMETRO.

76

FIGURA 4.15 - RELAO ENTRE ALTITUDE E RAZO ENTRE EIXOS DA ELIPSE.

FIGURA 4.16 - RELAO ENTRE ALTITUDE E COEFICIENTE DE COMPACIDADE.

4.2.4. - Concluso da anlise dos grficos. Conclui-se com a anlise dos grficos apresentados, que a maior separabilidade encontra-se na relao entre as bandas espectrais, e na relao entre as bandas espectrais e a altitude fornecida pelo laser scanner. Na relao entre bandas espectrais, as que se mostraram mais eficientes na separabilidade entre as classes apresentadas, foram as bandas 2, 3 e 4. J na relao

77

entre bandas espectrais e altitude do laser scanner a combinao que mostrou maior eficincia na separabilidade foi a composio entre a banda 4 e a altitude do laser scanner. No intuito de verificar os resultados obtidos por meio de anlise dos grficos foram realizados clculos estatsticos. Estes clculos sero apresentados nas prximas sees.

4.2.5. - Separabilidade estatstica entre informaes espectrais e espaciais. Para caracterizao entre classes de uma forma estatstica foi realizado o clculo da distncia entre as mdias das classes de acordo com suas informaes espectrais e espaciais. Os valores da mdia das classes podem ser observados nas Tabelas 4.2.
TABELA 4.2 - MDIA NORMALIZADA DAS CLASSES Telhado Claro Banda 4 Banda 3 Banda 2 Banda 1 rea Permetro Re CC Altitude 142.69 145.63 99.802 67.282 39.879 36.344 50.951 38.634 64.47 Telhado Escuro Vegetao Branda 43.08 155.37 66.007 41.603 82.051 51.056 78.383 34.703 69.188 78.627 60.052 62.555 34.936 48.086 47.199 47.97 91.125 21.599 rvore 122.75 15.991 24.206 22.202 40.452 40.307 61.738 47.166 106.15 Vias 36.935 54.365 62.408 56.005 87.176 102.14 20.988 93.321 23.573

* Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc).

No intuito de analisar a separabilidade das classes utilizando as melhores informaes espectrais e espaciais, foi gerado um grfico (Figura 4.17) partindo da Tabela 4.2 em que os dados esto normalizados.

78
FIGURA 4.17 - MDIAS DAS CLASSES (TC TELHADO CLARO; TE TELHADO ESCURO; VB VEGETAO BAIXA; ARVORE, VIAS) DE ACORDO COM AS INFORMAES ESPACIAIS E ESPECTRAIS.

180

Espectral
160 140 120 100 80 60 40 20 0

Descritores de Forma

Laser

TC TE VB rvore Vias

R e

Na Figura 4.17, observa-se que as informaes espectrais (banda 1, banda 2, banda 3 e banda 4) esto melhor espaadas entre si que as informaes espaciais, existindo uma confuso entre as classes telhado escuro e vias na banda 4. Para os dados do laser scanner (Z) nota-se uma melhor separabilidade entre classes que os parmetros de forma (rea, Permetro, Razo entre eixos e coeficiente de compacidade). Percebe-se, portanto, a baixa separabilidade das classes utilizando estes descritores de forma. De acordo com CHUVIECO (1990, p.346), existem alguns critrios quantitativos que permitem evidenciar numericamente categorias distintas. Este procedimento denominado separabilidade estatstica. Um dos mtodos pode ser descrito pela equao 4.1.

Ba nd a

Ba

Ba

Ba nd a

nd a

nd a

C C

79

D I ( A, B ) =

ND A ND B dp A + dp B

(4.1)

onde: NDA = Mdia do nvel digital da classe A; NDB = Mdia do nvel digital da classe B; dpA = Desvio Padro classe A; dpB = Desvio Padro da classe B; i = varivel. Portanto, os desvios padro em relao s informaes espaciais e espectrais, podem ser observados pela Tabela 4.3, respectivamente.
TABELA 4.3 - DESVIO PADRO DAS CLASSES NORMALIZADAS DE ACORDO COM AS INFORMAES ESPECTRAIS E ESPACIAIS Telhado Claro Banda 4 Banda 3 Banda 2 Banda 1 rea Permetro Re CC Altitude 46.401 44.049 31.354 26.819 17.689 15.597 73.414 11.492 17.836 Telhado Escuro Vegetao Branda 24.207 25.327 21.904 13.165 38.549 16.919 40.253 14.533 33.968 50.799 29.418 26.731 66.291 82.401 19.951 24.117 21.173 8.520 rvore 38.124 8.2896 13 10.445 26.052 23.327 84.423 23.703 51.383 Vias 35.992 27.857 38.453 31.671 49.267 60.418 51.106 59.695 1.757

* Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc).

Assim foi calculada a distncia entre cada classe utilizando a equao 4.1, para cada informao espacial e espectral. Logo, calculou-se as distncias geomtricas entre informaes espaciais e espectrais, utilizando a equao 4.2.
D ( A, B) = D1 ( A, B ) + D2 ( A, B ) + ... + Dn ( A, B) (4.2)

onde Dn(A,B) = Distncia entre as classes A e B considerando a varivel n; D(A,B) = Distncia total normalizada entre classes A e B. Na Tabela 4.4 est sendo apresentado o valor do clculo da distncia entre classes, considerando todas as variveis disponveis, utilizando a equao 4.2. Na

80

ltima linha da tabela, observa-se o total da distncia de cada classe. Para obter-se a estimativa da distncia global que descreve a separabilidade entre as classes considerando a varivel em questo, soma-se o total do valor de cada coluna, obtendose 108.31.
TABELA 4.4 - MATRIZ DAS DISTNCIAS ENTRE CLASSES CONSIDERENDO TODAS AS VARIVEIS Telhado Claro 0 2.1587 2.7873 3.0883 3.1257 11.16 Telhado Escuro 2.1587 0 3.3993 2.4671 3.0995 11.125 Vegetao Branda 2.7873 3.3993 0 2.232 2.1093 10.528 rvore 3.0883 2.4671 2.232 0 2.6107 10.398 Vias 3.1257 3.0995 2.1093 2.6107 0 10.945 Distncia Global

Telhado Clara Telhado Escuro Vegetao Branda rvore Vias SOMA

108.31

* Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc).

Na Tabela 4.5 mostrado o resultado da distncia global considerando apenas uma varivel. Para cada varivel espacial (A rea, P permetro, Re razo entre eixos da elipse, CC coeficiente de compacidade e Z altura dos objetos da cena) e espectral (B1 Banda1, B2 Banda2, B3 Banda3 e B4 Banda4) foi realizado o clculo da distncia global considerando as seguintes classes: TC telhado claro, TE telhado escuro, VB = Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc), rvore, Vias. Na mesma tabela, apresentada a combinao entre as bandas espectrais (B4, B3, B2) em estudo como modelo de referncia para uso nas anlises puramente espectrais.

81
TABELA 4.5 - DISTNCIA GLOBAL PARA CADA VARAVEL ESPECTRAL E ESPACIAL CONSIDERANDO AS CLASSES EM ESTUDO, (N=1) N Variveis Variveis B4 B3 B2 B1 A P Re CC Z B4, B3, B2 TOTAL 41.43 47.699 29.139 25.346 15.879 18.888 5.7896 13.225 54.692 77.263

N=1

N=3

Observando a Tabela 4.6, nota-se que os maiores valores de distncia acumulada esto nas informaes espectrais da banda 4(B4), com 41.43, e banda 3(B3), com 47.699, e na informao espacial fornecida pelo laser scanner (Z), com 54.692. Observa-se que a separabilidade fornecida pelos dados do laser foram melhores que todas as demais, j mencionado na Figura 4.17. O valor da distncia associado aos dados do laser scanner (Z) o mais prximo ao valor da distncia combinando as trs melhores bandas espectrais (B4, B3, B2). Portanto, como a melhor varivel de separabilidade entre classes a altitude, foi realizada a combinao entre pares de variveis (N=2), sendo que os dados do laser scanner foram combinados com outras variveis (Tabela 4.6).
TABELA 4.6 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 2 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=2) N variveis Variveis Z, B4 Z, B3 Z, B2 Z, A Z, P Z, Re Z, CC TOTAL 77.028 80.232 67.467 58.803 60.010 55.829 58.098

N=2

Observando a Tabela 4.6 e analisando as distncias associadas s informaes espectrais, nota-se que os melhores resultados correspondem a combinao entre a altitude do laser e a banda 3 (Z, B3), com 80.232, e banda 4 (Z, B4), com 77.028. J para as informaes espaciais, os melhores resultados esto associados a composio

82

entre a altitude do laser e ao permetro (Z, P), com 60.010. A mesma anlise foi realizada considerando trs variveis (N=3). Para isto foram considerados os dados do laser scanner, as bandas espectrais e o descritor de forma que apresentaram maior distncia na Tabela 4.6. Estas distncias so mostradas na Tabela 4.7. Observa-se que as melhores composies espectrais so as que envolvem as bandas 4 e banda 3 e a diferena de altitude, com 97.187. Nota-se, tambm, que entre os melhores no h descritores de forma. Quando substitui uma banda espectral pela diferena de altitude (Z) aumenta a qualidade.
TABELA 4.7 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 3 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=3). N Variveis N=3 Variveis Z, B4, B3 Z, B4, B2 Z, B3, B2 B4, B3, B2 TOTAL 97.187 86.664 86.686 77.263

No intuito de verificar a contribuio das melhores variveis apresentadas pela Tabela 4.7, foi realizado uma anlise considerando quatro e cinco variveis (Tabela 4.8). Observando as combinaes, utilizando cinco variveis (N=5), com melhores descritores de forma, que so rea e permetro, as melhores bandas espectrais (bandas 4 e 3) e a diferena de altitude, nota-se que o valor da distncia global obtido, 101.2, muito prximo a distncia global da combinao envolvendo as trs melhores bandas espectrais e a altitude (Z, B4, B3, B2), com 102.99, que utiliza quatro variveis. Isto significa que a contribuio da composio entre estas trs bandas espectrais torna-se indispensvel para uma classificao que busca uma melhor eficincia. Ainda, conclui-se que se o usurio no tiver acesso a dados oriundos do laser scanner (altitudes), os descritores de forma podem ser significativos, porm como encontra-se disponvel, para este estudo, dados do laser scanner, no vale a pena considerar estes descritores de forma.

83
TABELA 4.8 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES CONSIDERANDO AS CLASSES EM ESTUDO, (N=4 E N=5). N Variveis N=4 N=5 Variveis B4, B3, B2, A B4, B3, B2, P Z, B4, B3, B2 Z, B3, B2, A, P Z, B4, B3, A, P TOTAL 79.596 80.768 102.99 91.606 101.2 DE 4 E 5 VARIVEIS

Da Tabela 4.8, conclui-se que a melhor combinao composta pelas bandas espectrais 2, 3, 4 e com a altitude do laser. Portanto, na anlise de conjuntos de cinco variveis (N=5), foram consideradas as variveis laser scanner, banda 4, banda 3 e banda 2 combinadas com os descritores de forma (rea, permetro, coeficiente de compacidade e razo entre eixos da elipse) (Tabela 4.9).
TABELA 4.9 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 5 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=5). N Variveis N=5 Variveis Z, B4, B3, B2, A Z, B4, B3, B2, P Z, B4, B3, B2, Re Z, B4, B3, B2, CC TOTAL 104.68 105.18 103.22 104.34

Observando a Tabela 4.9, nota-se que as melhores combinaes entre os descritores so as que envolvem o permetro e a rea. Porm todos os valores das distncias globais esto muito prximos, demonstrando que os descritores de forma tm uma menor influncia na separabilidade das classes, que dado pelo aumento significativo do valor da distncia global (TOTAL). Esta variabilidade do valor da distncia global pode ser observada, comparando os valores das combinaes com 5 variveis desta tabela com a distncia obtida para a combinao das informaes espectrais e a altitude do laser, mostrada na Tabela 4.8. Na Tabela 4.10, apresentada a combinao entre todas as variveis disponveis (o laser, bandas espectrais 2, 3, 4, rea, permetro, razo entre eixos e coeficiente de compacidade), oito variveis, como modelo de referncia para avaliao da influncia dos descritores. Na mesma tabela, so apresentados valores das distncias das combinaes entre o laser, as bandas espectrais e a combinao entre pares de descritores de forma, assim formando combinaes com seis e sete variveis.

84

TABELA 4.10 - DISTNCIA GLOBAL PARA DIFERENTES COMBINAES DE 6, 7 E 8 VARIVEIS CONSIDERANDO AS CLASSES EM ESTUDO, (N=6, N=7 E N=8).. N variveis N=6 Variveis Z, B4, B3, B2, Re, CC Z, B4, B3, B2, A, P Z, B4, B3, B2, A, P, CC Z, B4, B3, B2, A, P, Re Z, B4, B3, B2, A, P, Re, CC TOTAL 104.56 106.82 108.1 107.04 108.31

N=7 N=8

Observando a Tabela 4.10 e comparando o valor da distncia da combinao que possui o maior nmero de variveis (N=8), com os demais valores das distncias das combinaes calculadas, confirma-se a pouca contribuio dos descritores de forma na separabilidade das classes, devido seus valores estarem muito prximos. Para avaliar a influncia da incluso de cada varivel na separabilidade entre classes, foi realizado o clculo do percentual que cada varivel contribui. Este clculo consiste na razo entre o valor da distncia global em questo e a mxima separabilidade, dada pela distncia considerando todas as variveis (Tabela 4.10). Estes valores podem ser observados na Tabela 4.11.
TABELA 4.11 - RESUMO COM AS MELHORES COMBINAES ENTRE VARIVEIS N variveis Variveis % em relao ao mximo DISTNCIAS GLOBAIS PARA CADA NVEL DE

Diferena entre nveis (%)

N=1 N=2 N=3 N=4 N=5 N=6 N=7 N=8

Z Z, B3 Z, B4, B3 Z, B4, B3, B2 Z, B4, B3, B2, P Z, B4, B2, B1, A, P Z, B4, B2, B1, A, P, CC Z, B4, B2, B1, A, P, Re, CC

50,74 74,07 89,73 95,09 97,11 98,62 99,81 100

23,33 15,66 5,36 2,02 1,51 1,19 0,19

Diferena em relao ao mximo (%) 49,26 25,93 10,27 4,91 2,89 1,38 0,19 0

Observando a Tabela 4.11, nota-se que a altimetria e os dados espectrais so responsveis por 95.09% da maior separabilidade possvel, ou seja, os descritores de

85

forma esto decidindo 4.91% da separabilidade total das classes. Percebe-se que a incluso de um descritor de forma reduz esta deciso para 2.89%. Observando que a diferena entre nveis, a partir deste nmero de variveis (N=5), torna-se muito prximos, abaixo de 1.51%, decidindo 1.38% do mximo de separabilidade, levando a concluir que a incluso de novas variveis de forma no sero pertinentes, comparado com a separabilidade mxima. Portanto, conclui-se que as bandas espectrais e a altitude fornecida pelo laser scanner so indispensveis para a separabilidade das classes. Analisando todas as tabelas apresentadas, conclui-se tambm que os descritores de forma em estudo contribuem muito pouco em relao a altimetria fornecida pelo laser scanner. Para a verificao destes clculos sero apresentados, nas prximas sees, resultados empregando classificadores que levam em considerao as variveis de altitude, fornecida pelo laser e informaes espectrais. Devido os resultados apresentados, sero realizadas combinaes com estas variveis (laser e bandas espectrais), empregando um descritor de forma, ou seja, composies entre cinco variveis (N=5).

4.3 - CLASSIFICAO ORIENTADA A REGIES UTILIZANDO REDES NEURAIS ARTIFICIAIS COM O PROGRAMA IMPLEMENTADO EM C++. Foram realizados vrios testes para a definio da arquitetura e quantidade de seus neurnios propcios para a resoluo do problema apresentado neste estudo. Para a utilizao da rede neural artificial, o primeiro passo consiste na escolha da arquitetura a ser empregada. Para este trabalho, foi empregado o mtodo de rede neural multicamada com o aprendizado de retro-propagao. O segundo passo consiste na definio da quantidade de seus neurnios que sero utilizados. Foram utilizados duas camadas intermedirias, sendo 60 neurnios na primeira camada, e 20 neurnios na segunda camada. Foram coletados 46 amostras para cada classe, distribudas pelos trs recortes realizados, sendo as classes: Edificaes de telhado claro, Edificaes de telhado escuro, Gramneas, rvores e Vias.

86

4.3.1. - Testes usando diferentes combinaes de variveis. Devido o programa implementado possuir a restrio de utilizar apenas trs bandas espectrais, foram considerados as trs melhores informaes espectrais (banda 4, banda3 e banda 2), representado pela letra I nas tabelas apresentadas. Inicialmente foram realizados testes puramente espectrais (I), com o objetivo de referenciar os demais testes, e posteriormente combinado com a altimetria fornecida pelos dados do laser scanner, obtendo-se assim uma combinao com quatro variveis (trs espectrais e uma espacial). Em um terceiro momento foram adicionadas s quatro variveis, uma quinta varivel, o descritor de forma. Os testes foram organizados desta maneira com o intuito de verificar a influncia dos dados altimtricos e os descritores de forma na rede neural artificial. Depois da imagem ser classificada, esta imagem temtica produzida foi comparada com a rea de verificao, mencionado na seo 3.2.9, do segundo e terceiro recorte. Portanto, nas Tabela 4.12 e Tabela 4.13 esto sendo apresentados resultados atravs do clculo do ndice kappa e a exatido das classes em relao ao produtor e ao usurio, os quais ir apontar o melhor resultado. Observando-se estas tabelas notase que o melhor resultado o que apresenta as informaes espectrais (I) e a altitude fornecida pelo laser (Z), com 65.2.
TABELA 4.12 - RESULTADOS DA REDE NEURAL PARA O SEGUNDO RECORTE REALIZADO NA IMAGEM. Composio Kappa Telhados I I+Z I+Z+A I+Z+P I+Z+Re I+Z+CC 41.1 65.2 33.7 37.7 38.5 36.5 61.8 70.3 85.8 84.1 38.1 69.7 45.3 67.8 37.5 79.8 44.8 64.4 Exatido das Classes Vegetao rvores Vias Branda 49.9 63.6 57.9 72.3 62.2 45.8 73.3 48.4 74.2 78.2 64.3 65.0 57.7 37.5 64.0 69.3 21.8 41.0 71.0 1.9 66.9 69.2 7.7 41.3 71.3 29.3 65.7 67.4 25.1 43.2 70.8 5.8 62.9 69.4 16.4 40.4

Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio

87

TABELA 4.13 - RESULTADOS DA REDE NEURAL PARA O TERCEIRO RECORTE REALIZADO NA IMAGEM. Composio Kappa Telhados I I+Z I+Z+A I+Z+P I+Z+Re I+Z+CC 41.6 51.1 39.9 41.3 41.0 40.3 51.2 84.7 71.4 51.9 67.1 34.6 66.8 36.2 65.0 36.4 72.0 35.7 Exatido das Classes rvores Vias Vegetao Branda 61.5 70.9 58.0 44.3 37.4 55.3 57.9 72.5 68.6 89.9 43.8 61.6 61.5 29.4 60.5 78.0 46.2 55.8 60.8 31.0 65.0 78.6 47.5 56.2 60.0 34.0 64.7 78.7 46.8 55.3 61.2 30.2 58.7 78.0 48.4 55.7

Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio

* Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc).

Observando-se as Tabelas 4.12 e 4.13, nota-se que quando so combinados os valores dos descritores de forma altitude e os dados espectrais, percebe-se que a rede neural confunde-se. Os resultados apresentados por estas combinaes (Informao espectral + diferena de altitude + descritores de forma) esto prximos que utilizou apenas a informao espectral, em ambas tabelas. Portanto conclui-se que a rede neural no localizou, na superfcie de erros, o mnimo global, mas sim um mnimo local, ou um mnimo local situado em um plano dentro da superfcie de erro, do qual no conseguiu sair. O valor do erro neste mnimo local muito prximo do erro associado ao resultado final da rede neural com informao espectral. Portanto os descritores de forma combinados com a altitude do laser e os dados espectrais das bandas 4, 3 e 2 no so apropriados para melhorar a discriminao das classes.

4.4 - CLASSIFICAO ORIENTADA A REGIES UTILIZANDO DISTNCIA MNIMA. Para a execuo deste mtodo foi utilizada a metodologia j mencionada na seo 3.2.7. Segue, na prxima seo, a comparao do laser scanner com os descritores de forma e os dados espectrais disponveis nas bandas 4, 3 e 2.

88

4.4.1. - Testes usando diferentes combinaes de variveis. Da mesma forma como expostos na seo 4.3.1, os passos e critrios foram os mesmos na execuo dos testes. Os resultados podem ser observados nas Tabelas 4.14 e 4.15. Nota-se que o melhor resultado, para a Tabela 4.14, o que considerou as informaes espectrais (I), a altitude do laser (Z) e o descritor de forma rea (A), com um kappa de 55.3. Ainda observando esta tabela, nota-se que todos os valores obtidos esto muito prximos ao valor da combinao das informaes espectrais (I) e a altitude do laser (Z), com 53.0. Para a Tabela 4.15, o melhor resultado est na composio que envolve o descritor de forma permetro (P), com 48.7. Observando o valor obtido para a combinao da informao espectral (I) e altitude do laser (Z), 47.6, nota-se a mesma proximidade mostrada na Tabela 4.14. Estes resultados concretizam as estatsticas apresentadas na seo anterior (seo 4.2), que os descritores de forma pouco contribuem para a classificao dos objetos na cena.
TABELA 4.14 - RESULTADOS DO MTODO DE MNIMA DISTNCIA PARA O SEGUNDO RECORTE REALIZADO NA IMAGEM. Composio Kappa Telhados I I+Z I+Z+A I+Z+P I+Z+Re I+Z+CC 35.1 53.0 55.3 54.6 52.7 54.1 53.2 66.7 65.5 83.7 69.5 85.6 67.5 86.1 64.8 83.7 66.6 86.8 Exatido das Classes Vegetao rvores Vias Branda 69.9 35.3 63.2 23.4 77.6 46.4 39.1 65.8 77.9 66.0 78.6 47.8 41.1 67.8 76.2 63.5 77.4 50.1 39.7 67.2 78.0 66.3 77.6 49.2 38.7 65.9 77.8 65.2 78.1 47.8 38.1 64.9 81.1 65.8 79.1 48.4

Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio

* Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc).

89
TABELA 4.15 - RESULTADOS DO MTODO DE MNIMA DISTNCIA PARA O TERCEIRO RECORTE REALIZADO NA IMAGEM. Composio Kappa Telhados I I+Z I+Z+A I+Z+P I+Z+Re I+Z+CC 29.7 47.6 47.9 48.7 47.4 48.3 77.5 29.6 73.6 48.7 74.4 50.9 74.6 51.6 73.5 48.6 74.0 53.9 Exatido das classes rvores Vias Vegetao Branda 25.7 54.9 35.0 60.7 81.6 33.5 37.1 59.2 77.7 77.2 89.7 47.1 37.6 59.8 77.5 76.3 87.4 47.7 37.5 58.3 81.6 76.5 90.8 47.6 36.2 59.1 77.8 77.1 89.6 47.0 37.5 57.0 83.2 77.2 91.2 46.5

Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio

* Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc).

Portanto, das Tabelas 4.14 e 4.15, conclui-se que as composies que envolveram os descritores de forma, informao espectral e diferena de altitude obtiveram valores muito prximos composio que envolve apenas a diferena de altitude e informao espectral, levando assim a irrelevar a utilizao dos descritores de forma na classificao de regies, atravs do mtodo de mnima distancia, uma vez tendo dados de altitude oriundas do laser scanner.

4.5 - CLASSIFICAO ORIENTADA A REGIES UTILIZANDO MXIMA VEROSSIMILHANA. Para a execuo deste mtodo foi utilizada a metodologia j mencionada na seo 3.2.8. Segue, na prxima seo, a comparao do laser scanner com os descritores de forma. Os resultados obtidos esto apresentados nas Tabelas 4.16 e 4.17, correspondendo ao segundo e terceiro recorte respectivamente. Observando-se a Tabela 4.16, nota-se que o melhor resultado est na composio que envolve informaes espectrais, altimetria do laser e o descritor de forma rea (I+Z+A), com 41.0. Observando os demais valores do kappa, nota-se que

90

todos os valores que envolvem descritores de forma, possuem um valor muito prximo do valor obtido por meio da composio informao espectral (I) e altimetria do laser (Z), com 39.6. Para a Tabela 4.17, observa-se que a melhor composio est no que envolve o descritor de permetro (I+Z+P). Observando-se os demais valores que envolvem descritores de forma, nota-se a mesma proximidade da Tabela 4.16. Portanto a contribuio das variveis de forma muito baixa, o que no justifica seu uso.
TABELA 4.16 - RESULTADOS DO MTODO DE MXIMA VEROSSIMILHANA PARA O SEGUNDO RECORTE REALIZADO NA IMAGEM. Composio Kappa Telhados I I+Z I+Z+A I+Z+P I+Z+Re I+Z+CC 32.0 39.6 41.0 38.5 40.3 38.2 51.3 65.6 40.6 87.0 45.7 85.8 42.5 82.5 43.1 82.1 42.9 81.2 Exatido das Classes rvores Vias Vegetao Branda 55.2 49.5 46.1 20.0 57.1 52.1 6.1 88.9 55.5 53.2 57.8 46.4 7.4 86.6 55.5 53.3 58.8 46.3 6.1 90.5 48.9 49.5 56.5 46.7 5.5 84.7 59.6 63.9 60.5 44.9 6.1 88.9 49.5 52.0 56.4 46.3

Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio

* Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc).

TABELA 4.17 - RESULTADOS DO MTODO DE MXIMA VEROSSIMILHANA PARA O TERCEIRO RECORTE REALIZADO NA IMAGEM. Composio Kappa Telhados I I+Z I+Z+A I+Z+P I+Z+Re I+Z+CC 30.1 45.0 43.6 45.3 42.6 44.9 70.2 27.8 62.3 49.8 63.6 47.7 63.2 50.4 63.3 44.9 63.8 47.3 Exatido das Classes Vegetao rvores Vias Branda 22.3 62.5 31.5 34.5 75.6 46.2 5.8 80.4 64.3 45.3 77.3 50.9 6.5 78.5 62.3 46.9 77.3 49.5 6.4 80.4 64.4 47.7 77.1 51.5 3.4 75.6 65.4 34.9 79.3 48.2 6.6 81.1 61.5 48.2 77.3 51.9

Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio Produtor Usurio

* Vegetao Branda (Gramnea, pastagem, pequenos arbustos e etc).

91

4.6 - VERIFICAO DA INFLUNCIA DO LASER SCANNER PERANTE OS DESCRITORES DE FORMA UTILIZANDO OS CLASSIFICADORES

IMPLEMENTADOS Estatisticamente observa-se que os descritores de forma esto decidindo apenas 4.19% da separabilidade das classes, comparado com a mxima separabilidade possvel, mencionada na seo 4.2. Observando os resultados, pelas Tabelas 4.12 a 4.17, obtidos por meio dos classificadores implementados, concretiza-se a estatstica da seo 4.2, apontando que estes descritores de forma pouco contribuem para o produto final, se comparados com a altimetria fornecida pelo laser scanner. Devido o motivo apresentado acima, foi descartado, para este estudo, os descritores de forma, utilizados como variveis de integrao.

4.7 - COMPARAO ENTRE CLASSIFICADORES Para comparar os classificadores, inicialmente foram selecionados os melhores valores de kappa encontrados para as combinaes exibidas nas Tabelas 4.12 a 4.17. Estes valores e combinaes podem ser observados pela Tabela 4.18.
TABELA 4.18 - MELHORES RESULTADOS DO INDICE KAPPA PARA OS MTODOS DE CLASSIFICAO EMPREGADOS NO ESTUDO. Varivel Redes Neurais Artificiais 41.6 65.2 Mtodo Distancia Mnima 35.1 53.0 Mxima Verossimilhana 32.0 45.0

I I+Z

I = imagem QUICK BIRD II com as bandas 4,3 e 2; Z = Diferena de altimetria, dados oriundos do laser scanner.

Observando a Tabela 4.18, nota-se que a rede neural exibe os melhores valores do kappa encontrado pelos diferentes mtodos e recortes, tanto na utilizao de apenas informaes espectrais, quanto na composio de informao espectral e diferena de altitude, com 41.6 e 65.2 respectivamente. Com estes resultados concluise que a rede neural o melhor mtodo para a classificao de regies utilizando

92

dados oriundos do laser scanner. Nas Figuras 4.18, 4.19 e 4.20 esto apresentadas as imagens que obtiveram o melhor produtor final.
FIGURA 4.18 - IMAGEM DO PRIMEIRO RECORTE CLASSIFICADA PELA REDE NEURAL ARTIFICIAL UTILIZANDO A COMPOSIO I+Z (INFORMAO ESPECTRAL E ALTIMETRIA DO LASER)

(a) Imagem Original (400x400)

Legenda

(b) Imagem Classificada pela Rede Neural

93

FIGURA 4.19 - IMAGEM DO SEGUNDO RECORTE CLASSIFICADA PELA REDE NEURAL ARTIFICIAL UTILIZANDO A COMPOSIO I+Z (INFORMAO ESPECTRAL E ALTIMETRIA DO LASER)

(a) Imagem Original (500x500)

Legenda

(b) Imagem Classificada pela Rede Neural

94

FIGURA 4.20 - IMAGEM DO TERCEIRO RECORTE CLASSIFICADA PELA REDE NEURAL ARTIFICIAL UTILIZANDO A COMPOSIO I+Z (INFORMAO ESPECTRAL E ALTIMETRIA DO LASER)

(a) Imagem Original (500x500)

Legenda

(b) Imagem Classificada pela Rede Neural

95

4.8 - DESEMPENHO DAS REDES NEURAIS NA IDENTIFICAO DE CASAS A seguir foi analisado o desempenho do mtodo redes neurais na identificao de casas, representadas pela letra T, nas Tabelas 4.12 e 4.13, que representa as edificaes de telhado claro e escuro. Para isto, foram considerados os recortes 2 e 3, por existir fotos areas destas regies que permitiram a restituio dos prdios. Para o 2 recorte, nota-se que a exatido, da melhor composio, do ponto de vista do produtor de 85.8. J do ponto de vista do usurio, a exatido de 84.1. Para o 3 recorte, a exatido da melhor composio, do ponto de vista do produtor de 71.4. J do ponto de vista do usurio, a exatido de 51.9. Portanto, o produto, apresenta uma confiabilidade boa para o 2 recorte, tanto do ponto de vista do produtor como do ponto de vista do usurio para a classe edificao. J para o 3 recorte, o produto, apresenta uma confiabilidade boa do ponto de vista do usurio e uma confiabilidade baixa do ponto de vista do produtor. Para verificar o sucesso da deteco de casas nas imagens, foram contadas todas as edificaes da imagem original apresentada pelas Figuras 4.18, 4.19 e 4.20. Nas mesmas figuras foi realizada a contagem de todas as edificaes no identificadas pelo classificador rede neural. Os resultados esto sendo apresentados na Tabela 4.19, onde se observa que a maioria das casas foi identificada, em torno de 96 100%, dependendo do recorte. Considerando todos os recortes, a taxa de sucesso de 93.6%, um valor alto, ou seja, de cada 100 casas, apenas 8 no foram identificadas. Porm observando-se as imagens nota-se que a maioria das edificaes identificadas foram extrapoladas em sua rea, hora pelo muro que separa as edificaes, hora pela sombra da edificao e hora pela mistura de objetos nos pixels de bordas. Isto tambm constatado pelo baixo valor da acurcia do usurio citado acima.

96
TABELA 4.19 - IDENTIFICAO DAS EDIFICAES NA CLASSIFICAO DAS IMAGENS. Edificaes identificadas na imagem original Edificaes no identificadas pelo algoritmo de redes neurais TOTAL TOTAL % Primeiro Recorte 78 Segundo Recorte 117 Terceiro Recorte 25 Total 220

12

15

81 96%

129 90.7%

25 100%

93.6%

Pela Figura 4.21, nota-se a eficincia do produto na identificao de edificaes do meio urbano. Percebe-se que o programa superdimensiona a identificao das edificaes. Justifica-se este fato devido aos muros existentes na rea que separa uma edificao da outra, a transio entre o valor digital de uma classe e outra e as sombras existentes na cena.
FIGURA 4.21 - IMAGEM COM A PERSPECTIVA DA EFICIENCIA DO PRODUTO.

97

CAPTULO 5 - CONCLUSES E RECOMENDAES

No

desenvolvimento

desta

pesquisa,

foram

realizados

diferentes

experimentos, no intuito de avaliar a eficincia do uso da altimetria derivada do laser como varivel auxiliar na classificao de imagem de alta resoluo espacial. Os dados do laser scanner melhoram a qualidade da classificao comparado com uma classificao puramente espectral. Atravs da anlise dos resultados obtidos por meio dos trs mtodos de classificao empregados, pode-se concluir que a altimetria fornecida pelo laser scanner possibilita a obteno de uma imagem temtica de melhor qualidade do que os descritores de forma, geralmente utilizados como varivel auxiliar. possvel, atravs dos trs mtodos empregados nesta pesquisa (rede neural, distncia mnima e mxima verossimilhana), integrar dados de diferentes fontes, no intuito de se obter uma imagem temtica da cobertura do solo em regies urbanas. As trs metodologias de classificao empregadas tiveram um bom desempenho na classificao de imagem de alta resoluo, sendo a melhor delas, a que empregou as redes neurais artificiais. Em seu treinamento, o algoritmo considera implicitamente a escala e disperso das classes e exige poucas amostras para seu treinamento, apesar de ser muito trabalhosa em seu treinamento devido a escolha da quantidade de neurnios a ser utilizado. O mtodo de mnima distncia, com sua simplicidade, alcana ndices prximos ao da rede neural, possui boa capacidade de integrar dados de diferentes fontes, mas exigir um maior nmero de amostras para seu treinamento do que o mtodo de redes neurais. Os ndices encontrados do kappa so baixos. Como a avaliao da classificao a ser realizada compara o resultado com a digitalizao dos contornos dos objetos, obtidos por restituio fotogramtrica, uma parte dos erros apontados pelo ndice kappa corresponde a pixels localizados nas fronteiras dos objetos. Tais

98

fronteiras dependem do sucesso da segmentao. A avaliao da imagem temtica, por tanto inclui erros na segmentao e na classificao e no pode diferencia-los. Nos experimentos, o potencial das redes neurais para identificao de casas foi avaliado e comprovou-se que esta metodologia permite detectar com sucesso a maioria das construes. Analisando o nmero de casas identificadas, pode-se notar que o sucesso do classificador na deteco de casas bom, mas que ele no eficiente em sua delimitao. Este problema tambm oriundo da segmentao. Como a classificao orientada a regies depende de uma prvia segmentao, a mesma deve ser a mais rigorosa possvel. Percebe-se que os resultados das classificaes ficaram limitados ao resultado obtido pela segmentao. No possvel corrigir os erros vindos da segmentao na classificao. Sugerem-se estudos que aprimorem a segmentao de imagem de alta resoluo, que possibilitem uma melhor determinao dos objetos, o que ir aumentar a qualidade do mapa temtico resultante, ou mesmo a construo de uma nova metodologia especfica para imagem de alta resoluo espacial, onde se considere o tamanho, a forma e textura, ou seja, que extraia diferentes objetos em diferentes escalas, simultaneamente.

99

CAPTULO 6 - REFERNCIA BIBLIOGRAFICA ABELM, A. J. G., Redes Neurais Artificiais Na Previso De Sries Temporais, publicao Dissertao de Mestrado pela Universidade Catlica do Rio de Janeiro, RJ, Brasil, 197 p., 1994. ANDRADE, F. A. Integrao de variveis espectrais e forma na classificao de imagens de alta resoluo utilizando redes neurais artificiais. Dissertao de mestrado pela Universidade Federal do Paran, Curitiba - PR, 112 p., 2003. ANTUNES, A. F. B., Classificao de Anbiente Ciliar Baseada em Orientao a Objeto em Imagens de Alta Resoluo Espacial. Tese de Doutorado pela Universidade Federal do Paran, Curitiva PR, 145 p., 2003. BAKKER, B. e HESKES, T. Clustering ensembles of neural network models. Neural Networks, v.16, p.261-269, 2003. BECERIKLI Y., KONAR A. F. e SAMAD T. Intelligent optimal control with dynamic neural networks. Neural Networks. V. 16. p. 251 259. 2003. BOTELHO, M. F. Aplicao De Redes Neurais Para Identificao De Feies Espacias. Monografia apresentada ao Curso de Graduao em Engenharia de Agrimensura da Universidade Federal de Viosa, Viosa MG, 35 p., 2002 BOTELHO, M. F. e CENTENO, J. S. A Influncia Da Alternncia Entre Classes E Amostras Na Entrada Da Rede Neural Na Classificao De Imagem Digital. Anais do III COLOQUIO de Cincias Geodsicas, p. CD, Curitiba PR, 14 p., 2003. BRONSVELD, K.; CHUTIRATTANAPAN, S.; PATTANAKANOK, B.; SUWANWEAKAMTORN, R. ; TRAKOOLDIT, P. The use of local knowledge in land use/land cover mapping from satellite images. ITC Journal. v. 4, p. 349 348. 1994. CENTENO, J. S.; KISHI, R. T. E BHR. Recognition of Buildings Using Scanned Maps and Laser Scanner Altitude Data. Photogrammetrie Fernerkungung Geoinformation, p. 19-28, 1999. CHENG, T. Fuzzy Objects: Their Changes and Uncertainties. Photogrametric Engineering & Remote Sensing, v.68, n.1, p. 41-49, 2002. CHUVIECO, EMILIO. Fundamentos de Teledeteccion espacial. Ediciones Rialp, S.A. Madrid. 452 P. 1996 CLAUSI, D. A.; ZHAO, Y. Rapid extraction of image texture by co-ocorrence using a hubrid data structure. Computers & Geosciences, v.28, p.763-774, 2002. CROSTA, A P. Processamento Digital de Imagens de Sensoriamento Remoto. Grfica da UNICAMP. Campinas, S. P., 1992.

100

ECOGNITION. User Guide. Definiens Imaging. Mchen, Germany, 2001. FACON, J. Processamento e Anlise de Imagens. Universidad Nacional de Crdoba, Argentina, 253 p. 1993. FERNNDEZ CABALLERO et al. On Motion Detection Through a Multi-Layer Neural Network Architecture. Neural Networks, v.13, p.291-303, 2000. FERRO, C. J. S.; WARNER, T. A. Scale and Texture in digital image classification. Photogrametric Engineering & Remote Sensing, v.68, n.1, p. 51-63, 2002. FHILIP, N. S.; JOSEPH, K. B. A neural network tool for analyzing trends in rainfall. Computers & Geosciences, v.29, n.02, p.215-223, 2003. FILHO, O. M.; NETO H. V. Processamento Digital de Imagens. Editora BRASPORT. Rio de Janeiro, 327 p. 1999. FRANKLIN, S. E.; MAUDIE, A. J.; LAVIGNE, M. B.. Using spatial Co-ocorrence texture to increase forest structure and species composition classification accuracy. . Photogrametric Engineering & Remote Sensing, v.67, n.7, p. 849855, 2001. FUNG, T.; CHAN, K. C. Spatial composition of spectral classes: A structural approach for image analysis of heterogeneous land-use and land-over types. Photogrametric Engineering & Remote Sensing, v.60, n.2, p. 173-180, 1994. GERMAN, G. W. H. e GAHEGAN, M. N. Neural Network Architectures for the Classification of Temporal Image Sequences. Computers & Geosciences, v.22, n.09, p.969-979, 1996. GONZALES, R.C.; WOODS, R.E. Processamento de Imagens Digitais. Edgard Blcher Ltda. So Paulo, 527 p., 2000. HAALA, N.; Brenner, C. Extraction of buildings and trees in urban environments. Photogrametric Engineering & Remote Sensing, v.54, n.2, p. 130-137, 1999. HANNA A. I., MANDIC, D. P. A complex-valued nonlinear neural adaptive filter with a gradient adaptive amplitude of the activation function. Neural Networks. V. 16. p. 155 159. 2003. HARRIS, R. J.; MURRAY, R.. IHS transform for the integration of RADAR imagery with other remotely sensing data. Photogrammetric Engineering & Remote Sensing. V. 61, n. 12, p. 1631- 1641, 1990. HAYKIN, S. Redes Neurais. princpios e prtica. Porto Alegre: Bookman, 900 p., 2001. HINTON, G.. Learning in papallel networks. BYTE: Artificial Inteligence, USA, New York, Vol. 10 n 4, p.265-273, 1985. HUISING E. J., PEREIRA L. M. G. Commercial Implications of Topographic Terrain Mapping Using Scanning Airbone Laser Radar. Photogrammetric Enginnering and Remote Sensing, Vol. LXIII, n 4, Abril 1997 INTERSAT. Nossos satlites. www.intersat.com.br. Acesso em Janeiro 2004.

101

JAIN, R. KASTURI, R. SCHUNCK, B. G. Machine Vision. McGraw Hill, New York, 457 p., 1995. JENSEN J. R. Introductory digital image processing a remote sensing perspective. 2 Ed. New Jersey, 279p. 1996. JI,C.Y. Land-Use Classification of Remotely Sensed Data Using Kohonen SelfOrganizing Feature Map Neural Networks. Photogrametric Engineering & Remote Sensing, v.66, n.12, p.1451 1460, 2000. KIEMA, J. B. K.; BHR, H. P.. Fusion of colour infrared imagery and airborne laser scanning data in the automatic classification of urban environments. Revista Brasileira de Cartografia, N 52. P.29-36, 2000. KINOSHITA, S.K.; MARQUES, P.M.A. e FRRE, A.F. Utilizao da Anlise de Componentes Principais e Redes Neurais Artificiais para a Classificao de Ndulos em Mamogramas Digitalizados. Anais do CBEB2000, p.1214-1216, 2000. KOK, R., SCHNEIDER, T., AMMER, U., 1999. Object-based classification and application in alpine Forest environment. International Archives of Photogrammetry and Remote Sensing. Valladolid. Espanha. V. 32, p. 110-155. KOVCS, Z. L. Redes Neurais Artificiais Fundamentos e Aplicaes. Collegium cognitio, 2 edio, So Paulo, 279 p., 1996. LIPPMANN, R. An Introduction to Computing with Neural Works. IEEE Computer Society. Vol. 3, n 4, p. 4-22, 1987. LIRA, J. e MALETTI, G. A superfised contextual classifer based on a regiongrowth algorithm. Computers & Geosciences, v.28, n.08, p.951 959, 2002. MARTINS, M. P.; GUIMARES, L. N. F. e FONSECA, L. M. G. Classificador de Texturas por Redes Neurais. II Congresso Brasileiro de Computao, p.6, 2002. MASAHARU, H; HASEGAWA, H.. Three-dimensional city modeling from laser scanner data by extracting building polygons using region segmentation method. International Archives fo Photogrammetry and Remote Sensing. Vol. XXXIII, Part B3. P.556-562, Amsterdam 2000. MATLAB. User`s Guide Neural Network Toolbox, version 3.0. Mth Works. 1998. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicao. Instituto Nacional de Pesquisas Espaciais- INPE. So Jos dos Campos, 1 Ed. 310 p, 2001. MURNION, S. D. Comparison of Back Propagation and Binary Diamond Neural Networks in the Classification of a Landsat TM Image. Computers & Geosciences, v.22, n.09, p.995-1001, 1996a. MURNION, S. D. Spatial Analysis Using Unsupervised Neural Networks. Computers & Geosciences, v.22, n.09, p.1027 1031, 1996b. NISHIDA, W. Uma Rede Neural Artificial para Classificao de Imagens Multiespectrais de Sensoriamento Remoto. Dissertao (Mestrado em

102

Engenharia de Produo) - Curso de Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa Catarina. Florianpolis, 1998. OLIVEIRA, K. C. e BAUCHSPIESS A. Classificao de Imagens Codificadas por Cadeias Direcionais Utilizando Redes Neurais Artificiais. V Congresso Brasileiro de Redes Neurais, PUC, Rio de Janeiro RJ Brasil, p. 73-78, 2001. PEREIRA, S. V..Classificao e avaliao de sistemas de recuperao de imagens por contedo. Dissertao de mestrado pela Universidade Federal do Paran, Curitiba - PR, 91 p., 2001. RIBEIRO, S. R. A.. Integrao de Imagens Landsat TM e dados auxiliares para a delimitao automtica de unidades fisionmicas usando Redes Neurais Artificiais. Tese de Doutorado pela Universidade Federal do Paran, Curitiva PR, 160 p., 2003. RIBEIRO, S. R. A.; CENTENO J. A. S. Clasificacin del uso del suelo utilizando redes neurales y el algoritmo maxver. Innovacin, Ao 14 n.1, p.55-60. Antofagasta Chile, 2002. RICHARDS, B. Remote sensing and digital image analysis. Springer Verlag, Berlin. 1993 RIEDMILLER, M.; BRAUN, H.. A direct adaptive method for faster backpropagation learning: The RPROP algorithm. Proceedings of the IEEE, Int. Conference on Neural Network, San Francisco, USA, p. 589-591, 1993. SALI E.e WOLFSON H. Texture classification in aerial photographs and satellite data. Int. J. Remote Sensing, V. 13 n.18, p. 3395 3408, 1992. SCHNEIDER, W.; STEINWENDNER, J. Landcover Mapping by Interrelated Segmentation and Classification of Satellite Images. Photogrammetric and Remote Sensing. V. 32, part 7-4-3 w6, june, 1999. SCHRDER, M.; VALESSA, M., REHRAUER, H.; SEIDEL, K.; DATEU, M.. Gibbs random field models: a toolbox for spatial information extraction. Computers & Geosciences, v.26, p.423-432, 2000. SHERSTHA W. E., THOMPSON P. Y., DEAN R. G., HARRELL H., Coastal & Highway Mapping by Airborne Laser Swath Mapping Tecnology. Third International Airborne Remote Sensing Conference and Exhibition, 7-10 July 1997, Copenhagen, Denmark SMITH, M. J.; PRIESTNALL, G.; ASAL, F..Combining LIDAR and photogrammetry for urban and rural landscape studies. International Archives fo Photogrammetry and Remote Sensing. Vol. XXXIII, Part B3. P. 4450, Amsterdam 2000. SOHN, Y. e REBELLO, S. Supervised and Unsupervised Spectral Angle Classifiers. Photogrametric Engineering & Remote Sensing, v.68, n.12, p.1271 1280, 2002.

103

SONKA, M; HLAVAC, V; BOYLE, R.. Image Processing, analysis, and Machine Vision. Brooks/Cole Publishing Company. USA, 1998. TAFNER, M. A.; XEREZ, M.; RODRIGUES FILHO, I. W.. Introduo e princpios de neurocomputao redes neurais artificiais. P.193. Blumenau, 1996. TONDER, G. J. e EJIMA, Y. The patchwork engine: imagem segmentation from shape symmetries. Computers & Geosciences, v.13, p.291-303, 2000. TORINO, C. V. e BARRETO, D. T. Deteco de Fumaa Atravs do Processamento de Imagem Utilizando Redes Neurais em um Sistema Hbrido. XIV Congresso Brasileiro de Automtica, Natal RN, p.1434-1439, 2002. TOUTIN, T. Error Tracking in Ikonos Geometric Processing Using a 3D Parametric Model. Photogrametric Engineering & Remote Sensing, v.69, n.1, p.43-51, 2003. VIEIRA, C. A. O. Accuracy Of Remotely Sensing Classification Of Agricultural Crops: A Comparative Study, Thesis Submitted to the University of Nottingham for the Degree of Doctor of Philosophy, p.396, 2000. WARNER,T. A .; SHANK, M.. An evaluation of the potential fuzzy classification of multiespectral data using artificial neural networks. Photogrammetric Engineering & Remote Sensing. v.63, n.11, p.1285-1294, 1997. YILMAZ, S.; DEMIRCIOGLU,C. E AKIN, S. Application de artificial neural networks to optimum bit selection. Computers & Geosciences, v.28, p.261-269, 2002.