CLASSIFICAÇÃO ORIENTADA A OBJETOS PELO ALGORITMO SUPPORT VECTOR MACHINE DE IMAGEM RAPIDEYE
Dinameres Aparecida Antunes1, Kelly Lais Wiggers2, Selma Regina Aranha Ribeiro3 1Geógrafo, Mestranda do Programa de Pós Graduação em Geografia, UEPG, Ponta Grossa – Pr, dinameres@gmail.com 2Bacharel em Ciência da Computação, Mestranda do Programa de Pós Graduação de Computação Aplicada, UEPG, Ponta Grossa – Pr,
klais00@gmail.com
3 Engª Cartógrafa, Professora Doutora dos Programas de Pós Graduação de Geografia e Computação Aplicada, UEPG, Ponta Grossa – Pr, selmar_12@gmail.com
RESUMO: Este trabalho teve por objetivo realizar classificação de uso cobertura da terra da área de estudo localizada em Ponta Grossa, Paraná. Utilizou-se a imagem Rapideye, e classificação orientada a objetos mediante o algoritmo de classificação Support Vector Machine. As classes de uso e cobertura da terra foram definidas por meio de análise visual da imagem e conhecimento a priori da área de estudo, sendo elas: mata de galeria, vegetação rasteira, cultivo 1, cultivo 2, solo exposto, área urbanizada 1 e área urbanizada 2. A partir da técnica de classificação, obteve-se o resultado da imagem classifica e vetores correspondentes a cada objeto e classe gerados. Destaca-se ainda que, na técnica GEOBIA além dos descritores (variáveis) espectrais de cada objeto, o banco de dados contém as variáveis espaciais e de textura.
PALAVRAS-CHAVE: classificação digital, GEOBIA, processamento de imagens digitais.
INTRODUÇÃO: O conhecimento e monitoramento do uso e ocupação da terra são pertinentes para o planejamento ambiental, territorial e para o entendimento da organização espacial. As geotecnologias como o Sensoriamento Remoto (SR), Processamento de Imagens Digitais (PDI), Sistemas de Informação Geográfica (SIG), Cartografia Digital, Global Navigation Sattelite System (GNSS), fornecem recursos que contribuem para análise do espaço e das paisagens mediante técnicas estatísticas, matemáticas e computacionais. As imagens orbitais de SR, fornecem os dados, os SIGs e PDI, fornecem as ferramentas para analisar estes dados e extrair informações relevantes para o planejamento territorial.
Para realizar a classificação automática do uso e cobertura da terra com imagens de sensores, é necessário utilizar o Processamento de Imagem Digital (PDI). Desta forma, é realizada a melhoria da qualidade visual da imagem que permite gerar dados derivados que fornecem outra dimensão das imagens, e, consequentemente, facilitando a interpretação para o analista, como por exemplo, a razão de bandas. Uma característica do PDI é que permite tanto analise qualitativa quanto análise quantitativa das imagens.
Uma das técnicas de PDI é a análise orientada a objeto geográfico (GEOBIA - Geographic-Object-Based Image Analysis). Segundo Hay e Castilla (2008), GEOBIA é uma subdisciplina da Ciência da Informação Geográfica dedicada ao desenvolvimento de métodos automatizados que visam transformar as imagens de Sensoriamento Remoto em objetos, de forma a avaliar suas características por meio de escalas espaciais, espectrais e temporais, com o intuito de gerar novas informações geográficas em SIG (Sistema de Informação Geográfica).
Esta técnica tem como principio a individualidade dos objetos em termos topológicos e espacial, sendo que existe, para cada objeto, um conjunto de atributos que permite modelar seu comportamento. Ela pode ser dividida em 2 etapas: criação dos segmentos e classificação. Na classificação dos objetos, existem vários algoritmos que podem ser utilizados.
Diante do contexto atual em que o acesso a imagens de alta resolução tem crescido consideravelmente, Lang e Blaschke (2009) mencionam que ganham mais importância os procedimentos não baseados em pixels unitários que são exclusivamente estatísticos e não utilizam a dimensão espacial (forma,
topologia) dos dados. Nesse sentido a análise baseada em objetos tem sido sugerida na literatura como a mais indicada, pois considera, para a identificação das classes, não só a resposta espectral dos alvos, mas também as suas variantes geométricas, topológicas e de textura (ANTUNES et al., 2003).
Desse modo, o objetivo desse trabalho é, em um recorte de imagem, do satélite Rapideye, realizar a classificação baseada em objetos do uso e cobertura da terra mediante o algoritmo de classificação Support Vector Machine que apresenta boa generalização em problemas de classificação de padrões. (HAYKIN, 2001).
ÁREA DE ESTUDO: A área de estudo desse trabalho se localiza no município de Ponta Grossa, no Segundo Planalto Paranaense, na região fitogeográfica dos Campos Gerais do Paraná. Corresponde a uma área limite entre área urbana e rural, e observa-se entre os seus usos e ocupações um condomínio horizontal (área urbanizada 1), solo exposto, cultivos (cultivos 1 e 2), vias de acesso (área urbanizada 2) e o curso de um afluente (mata de galeria) do rio Pitangui.
Figura 1 – Área de estudo
MATERIAL E MÉTODOS: Utilizou-se nesse trabalho imagem Rapideye ortorretificada, obtida em agosto de 2012, cedida para o estudo pelo Programa de Pós Graduação em Geografia da Universidade Estadual de Ponta Grossa e também disponibilizada gratuitamente na página da web do Ministério do meio Ambiente - MMA. Esta imagem possui 5 metros de resolução espacial, resolução radiométrica de 12 bits, resolução temporal de 1 dia, e possui 5 bandas espectrais, conforme Tabela 1:
Tabela 1 – Bandas Espectrais da imagem Rapideye
Faixa espectral Banda
440 – 510 µM Azul
520 – 590 µM Verde
630 – 685 µM Vermelho
690 – 730 µM Red-Edge
760 – 850 µM Infravermelho próximo
No software ENVI 5.1, foi implementado pela empresa EXELIS o algoritmo FLSA (Full Lambda Schedule Algorithm) que realiza a análise baseada em objetos geográficos em duas etapas, o nível de escala e de fusão. A segmentação é definida no nível de escala, quanto maior o valor para esse nível, maior são os objetos gerados, mas em menor número. O nível de fusão realiza um refinamento no procedimento, ao passo que agrega objetos menores e semelhantes dentro de segmentos maiores. Para formar os objetos, a atividade é realizada empiricamente, ou seja, é necessário ir avaliando os objetos em função das classes que se deseja mapear. Desta forma, na segmentação inicialmente foi definido o valor da escala, sendo este 60, que controla o tamanho dos objeto e, utilizou-se o algoritmo de escala edge, que suprime as bordas dos segmentos com falhas, criando um resultado que pode variar as bordas dos segmentos de mais ou menos suaves. A próxima etapa é a fusão que agrega segmentos
pequenos em maiores, escolheu-se o valor de 40. O algoritmo usado funde segmentos adjacentes com base em combinações de informação espectral e espacial. O FLSA foi desenvolvido por Robinson; Redding; Crisp (2002) e, sua aplicação tornou-se comum, uma vez que, trata-se de um algoritmo iterativo e multiescala que obtém ótimos resultados no processo de segmentação (ROBINSON; REDDING; CRISP, 2002). A Tabela 2 contém as configurações utilizados no processo.
Tabela 2 - Configurações De GEOBIA
Escala: 60
Fusão: 40
Algoritmo de escala: Edge Algoritmo de fusão: FLSA
Após definidos os valores de escala e fusão, foi realizada a classificação baseada em exemplos, esta funciona como classificação supervisionada onde o intérprete seleciona o número de classes e amostras de treinamento na forma de objetos para que o algoritmo classifique, ou seja generalize para toda a imagem.
O algoritmo de classificação escolhido foi o Support Vector Machine (SVM). Os pesquisadores Steinwart e Christmann (2008) identificam três razões para o sucesso das SVMs:
1. Capacidade de aprender bem com um número pequeno de parâmetros;
2. Robustez diante de vários tipos de violações de modelo e da diversidade de modelos e; 3. Eficiência computacional em comparação com outros métodos.
O treinamento da SVM envolve a resolução de um problema quadrático, dependente dos vetores de treinamento e de parâmetros especificados pelo usuário. Neste método, a partir de um espaço de entrada de padrões não-linearmente separáveis é formado um novo espaço de características, em dimensão outra, onde os padrões serão linearmente separáveis. Assim, um hiperplano de separação ótimo entre os exemplos é construído (VAPNIK, 1995 apud Sousa et. al., 2010).
As classes de uso e cobertura da terra foram definidas por meio de análise visual da imagem e conhecimento a priori em campo. Como produto final da análise foi gerada a imagem classificada, os vetores de cada classe e seus objetos e o banco de dados contendo os descritores espaciais, espectrais e de textura para cada objeto de cada classe.
RESULTADOS E DISCUSSÃO: Foram gerados nas etapas de escala e merge 112 objetos, cada um desses possui no banco de dados relacional 54 variáveis sendo espaciais (área, forma, compacidade, convexidade, etc), espectrais (média dos valores digitais por banda, desvio padrão dos níveis digitais por banda, etc) e de textura (entropia da textura por banda, variância da textura por bandas, etc).
A nova imagem, no nível de abstração de objetos, foi classificada em 7 classes (sete) pré-estabelecidas em função do conhecimento da área de estudo e, mediante o algoritmo SVM e tiveram suas áreas calculadas. A partir desta imagem classificada gerou-se cartograma da área de estudo no ArcGis 10.2.1, conforme ilustra a Figura 2. Na Tabela 3, apresenta-se as áreas de cada uma das 7 classes em metros quadrados.
Observa-se na imagem classificada a separação dos cultivos 1 e 2, a vegetação rasteira de solo exposto, a mata de galeria e as urbanizações 1 e 2 (vias de acesso e condomínio horizontal, respectivamente) onde se destaca na classe urbanização 2 (condomínio horizontal) a separação das construções internas. Uma das vantagens deste tipo de classificação é o uso de variáveis espaciais e de textura além das espectrais, propiciando por meio das diferentes formas e texturas a separação maior entre as classes.
O uso e ocupação da terra na área de estudo é predominantemente os cultivos 1 e 2, tanto que a soma da área de ambos é de 497.950 m² a qual corresponde a mais da metade da área em questão; a segunda classe com maior área em metros quadrados é a vegetação rasteira, comum nesta região, depois a classe solo exposto, mata de galeria e finalmente as ocupações referentes as áreas urbanizada 1 e 2, que são as construções no condomínio e suas vias de acesso (Tabela 3).
Tabela 3 – Áreas de cada uma das 7 (sete) classes Classe Áreas (m²) Área urbanizada 2 56.775,00 Área urbanizada 1 72.050,00 Mata de galeria 77.400,00 Solo exposto 79.775,00 Vegetação rasteira 161.300,00 Cultivo 2 197.375,00 Cultivo 1 300.575,00 Total 945.250,00
Tabela 4 – Matriz de confusão da classificação da área de estudo
Classe Cultivo 1 Cultivo 2 Mata de galeria
Vegetação Vias Área
urbanizada 1 Solo exposto Total Cultivo 1 100 0 0 0 0 0 0 14,19 Cultivo 2 0 100 0 0 0 0 0 14,12 Mata de galeria 0 0 42 1,91 0 0 0 6,12 Vegetação 0 0 58 78,47 0,96 0 0 19,61 Vias 0 0 0 1,91 63,16 0,96 0 9,60 Área urbanizada 1 0 0 0 0 0,96 99,04 0 14,53 Solo exposto 0 0 0 0 34,93 0 100 21,84 Total 100 100 100 100 100 100 100 100 Omissão 0 0 4,55 41,55 4,35 0,96 35,03 - Comissão 0 0 58 21,53 36,84 0,96 0 - Ac. produtor 100 100 42 78,47 63,16 99,04 100 - Ac. Usuário 100 100 95,45 58,16 95,65 99,04 64,97 -
A matriz de confusão apresentada na tabela 4 foi gerada a partir de tabela verdade obtida com segmentos da imagem original. Este procedimento foi realizado no software Envi. Desta forma, os segmentos selecionados como verdade foram comparados com a imagem classificada. É possível analisar que as principais confusões ocorreram nas classes mata de galeria com vegetação, bem como
solo exposto. Os cultivos 1 e 2 foram bem classificados. A área urbanizada 1 teve pouca confusão com a área urbanizada 2.
CONCLUSÕES: A importância de novas metodologias e técnicas de processamento de imagens digitais que ultrapassem o nível de pixel são importantes e se mostram bastante pertinentes. Nesse trabalho utilizou-se a análise baseada em objetos de uma imagem Rapideye com resolução espacial de 5 metros e obteve-se resultado satisfatório, com cerca de 83,23% em média de acerto, com geração de imagem classificada, vetores para cada objeto e classe de uso e ocupação da terra, além de banco de dados relacional com variáveis espaciais, espectrais e de textura. O fato da técnica GEOBIA gerar o banco de dados relacional e a integração direta com SIG possibilita a avaliação das áreas facilmente. A escala e fusão utilizada na área de estudo possibilitou uma boa detecção dos objetos de interesse. A técnica com a classificação orientada a objetos também possibilitou a coleta das amostras de treinamento auxiliando na melhora da classificação final.
Pretende-se dar continuidade ao trabalho efetuando validação a campo e utilizando o banco de dados relacional no que tange aos descritores de forma e textura dos objetos que compõe a imagem e que podem destacar elementos cruciais da paisagem em estudo.
AGRADECIMENTOS: À CAPES pela concessão da bolsa de estudo. REFERÊNCIAS:
ANTUNES, A. F. B. Classificação de Ambiente Ciliar Baseada em Orientação a Objeto em Imagens de Alta Resolução Espacial. 2003. 145 fl. Tese (Doutorado) − Universidade Federal do Paraná, Curitiba, 2003.
EXELIS. Feature Extraction with Rule-Based Classification Tutorial. Disponível em: < http://www.exelisvis.com/portals/0/pdfs/envi/FXRuleBasedTutorial.pdf>. Data de acesso 18 de abril de 2014.
HAYKIN, S. Redes Neurais Princípios e Prática, Editora Prentice Hall, Inc., 2nd ed., 1999.
LANG, S.; BLASCHKE, T.; Análise da Paisagem com SIG. Tradução Hermann Kux. São Paulo : Oficina de Textos, 2009.
MOREIRA, M. A. Fundamentos do Sensoriamento e Metodologia de Aplicação. Viçosa, ED UFV, 3 ed. 2011.
HAY, G.J.; CASTILLA, G. Geographic Object-based Image Analysis (GEOBIA):a new name for a new discipline. In: BLASCHKE, T.; LANG, S.; HAY, G.J. (Eds) Object-based image analysis- spatial concepts for knowledge-driven remote sensing applications. Berlin: Springer-Verlag, 2008.
ROBINSON, D.; REDDING, N.; CRISP, D. Implementation of a Fast Algorithm for Segment Sar Imagery. DSTO, Electronics and Surveillance Research Laboratory (2002).
STEINWART, I., CHRISTMANN, A. Support Vector Machines. Springer, New York, 2008.
SOUSA, B. F. S., et al. Avaliação de classificadores baseados em aprendizado de Máquina para a classificação do uso e cobertura da terra no bioma caatinga. Revista Brasileira de Cartografia n. 62, Edição especial 2, 2010.
