Neste capítulo foi apresentada uma metodologia de classi cação de imagens de sensoria- mento remoto que realiza a análise de agrupamentos da imagem através da projeção de dados efetuada pelo SOM. Ao invés de trabalhar diretamente com os padrões originais da cena, o método proposto detecta as classes de cobertura terrestre da imagem através de SOMs treina- dos com janelas amostrais coletadas a partir da imagem a ser classi cada.
Diferentemente de outros métodos de classi cação, nos quais o SOM é utilizado pelo usuário como ferramenta de auxílio visual para descobrir as classes existentes na imagem, na metodo- logia de classi cação proposta a detecção de agrupamentos da imagem através dos neurônios de um SOM treinado é realizada sem a necessidade de participação do usuário ou de um ana- lista de imagens. Para tanto, o método de segmentação automática do SOM proposto por Costa e Andrade Netto (1999, 2001) foi aplicado para particionar e rotular os SOMs após os seus treinamentos. Os resultados mostram que o método de segmentação é e caz para parti- cionar os mapas de neurônios em diferentes classes de protótipos que representam os padrões de cobertura terrestre existentes na imagem original.
Além da e cácia e das potencialidades proporcionadas pelo método de segmentação do SOM aplicado, o processo de amostragem da imagem realizado por meio de janelas de pixels permite que a metodologia de classi cação proposta apresente um desempenho superior aos das abordagens de classi cação pixel a pixel. Testes experimentais mostram que não é possível discriminar classes de cobertura terrestre que apresentam padrões de cunho espacial (ou tex- turas diferenciadas) por meio de SOMs treinados com amostras coletadas na forma de pixels
4.4 Considerações nais 133 individuais.
Ainda que a metodologia de classi cação proposta possa demandar um tempo maior de processamento em função do número de SOMs que são gerados, em contrapartida, ela apresenta uma série de vantagens que não são proporcionadas pelos métodos convencionais de classi cação não-supervisionada. Dentre essas vantagens destacam-se a não necessidade de de nição prévia do número de classes da imagem a ser classi cada, a potencialidade de descobrir agrupamentos com formas variadas (em virtude da representação distribuída por meio de grupos de protótipos) e a possibilidade de explorar visualmente os relacionamentos hierárquicos existentes entre as classes da imagem (através da árvore de mapas produzida pelo método de segmentação do SOM e das imagens dos arranjos de neurônios).
Resultados experimentais sobre uma imagem TM/LANDSAT mostram que a metodologia proposta pode ser mais e caz na detecção automática dos padrões existentes na imagem em comparação com o algoritmo K-médias (comumente utilizado para realizar a classi cação não- supervisionada de imagens de sensoriamento remoto).
Capítulo 5
Classi cação baseada em SOMs
segmentados por morfologia matemática e
em índices de validação de agrupamentos
5.1 Introdução
Procurando diminuir o volume de processamento exigido pela metodologia de classi cação apresentada no capítulo anterior, o presente capítulo propõe uma nova estratégia para ana- lisar os agrupamentos de dados das imagens de sensoriamento remoto através do SOM. Uti- lizando SOMs segmentados por morfologia matemática em conjunto com índices de validação de agrupamentos, a estratégia apresenta-se como um aprimoramento do método de segmentação automática do SOM proposto por Costa e Andrade Netto (1999, 2001). A incorporação de índices de validação no processo de particionamento dos dados torna possível analisar a quali- dade de diferentes con gurações de agrupamentos que são geradas por diferentes segmentações de um SOM treinado. Resultados experimentais mostram que tal abordagem pode alcançar de maneira mais e ciente a melhor partição do conjunto de dados, uma vez que uma quantidade menor de SOMs é gerada durante o processo de detecção das classes.
Em virtude da grande diversidade de propostas de índices de validação de agrupamentos existentes na literatura, este capítulo apresenta um levantamento bibliográ co dos índices de
136Classi cação baseada em SOMs segmentados por morfologia matemática e emíndices de validação de agrupamentos validação (crisp) mais comumente empregados na área de reconhecimento de padrões e dos mais recentemente propostos, buscando, dessa forma, pré-selecionar aqueles que apresentam algum potencial para serem aplicados na avaliação de agrupamentos de imagens de sensoriamento remoto.
Tendo em vista ainda, que a maioria dos índices de validação de agrupamentos apresentam complexidades computacionais elevadas, o que pode ser um complicador em aplicações que envolvem grandes volumes de dados (como é o caso das imagens de sensoriamento remoto), este capítulo também propõe uma estratégia para modi car os cálculos desses índices baseando-se na quantização vetorial produzida pelo SOM, reduzindo desse modo a complexidade computacional e viabilizando a aplicação dos mesmos.
Com o objetivo de validar a estratégia de modi cação dos cálculos dos índices de validação e de determinar os mais apropriados para avaliar partições de dados de imagens de sensoriamento remoto, os índices pré-selecionados através da revisão bibliográ ca realizada foram testados ex- perimentalmente, em suas versões originais e modi cadas, na avaliação de diferentes partições de conjuntos de dados com características variadas. Aqueles índices que apresentaram os me- lhores desempenhos na validação de todos os agrupamentos de dados considerados foram então empregados no método de classi cação de imagens de sensoriamento remoto proposto neste capítulo.
Para gerar bordas mais de nidas na U-matrix e, conseqüentemente, evitar a análise de par- tições de dados pouco signi cativas, este capítulo propõe ainda um procedimento baseado em medidas de textura para ltrar janelas amostrais que apresentam um alto grau de heteroge- neidade espectral e degradam a superfície topográ ca da U-matrix. Resultados experimentais mostram que a aplicação do procedimento pode melhorar o desempenho da metodologia de classi cação proposta.