Thiago Broerman Cazes InterpretaÃ§Ã£o Baseada ... - NIMA - PUC-Rio

More documents

Recommendations

Info

58 5.1.3 Preparação dos dados No processo de preparação de dados a principal atividade foi a correção geométrica e topográfica das imagens. O processo de correção geométrica ou georeferenciamento consiste basicamente em registrar a imagem com base em um sistema de coordenada fixo, conforme descrito na seção 2.1.2 utilizando dados de altimetria. A imagem de referência utilizada foi foto aérea de 1999 por possuir uma resolução espacial mais elevada. Essa imagem já se encontrava corretamente referenciada e com as devidas correções topográficas. Figura 21 – Ilustração gerada com a foto aérea de 1999 e o DTM da área de estudo utilizado no processo de ortoretificação.
59 5.1.4 Segmentação A segmentação, conforme descrita na seção 2.3, é o processo de subdividir a ser analisada em objetos discretos. A segmentação pode levar em conta informações espectrais e relações de formas dos objetos gerados. O algoritmo utilizado para a segmentação nesse trabalho é do tipo crescimento de regiões, conforme implementado no software e-Cognition 4.0. A determinação do parâmetro de escala, assim como todos os outros parâmetros de segmentação é por si só um processo complexo. A dificuldade de definir uma segmentação “ideal” é um problema que ainda não foi resolvido no mundo do sensoriamento remoto e é muito dependente do tipo de análise a ser efetuada. Em [56] um trabalho foi realizado em uma parte da área de estudo descrita nesse trabalho. Esse procedimento de classificação baseou-se também em objetos obtidos pelo software eCognition. Nesse trabalho foram analisados visualmente por um especialista os resultados da segmentação produzida por diversos valores dos parâmetros do algoritmo de segmentação. Esses estudos foram realizados em uma área muito semelhante à desse trabalho, além de tratar de classes similares às classes consideradas nesta dissertação. Por isso foram utilizados no presente trabalho os mesmos valores dos parâmetros de segmentação sugeridos em [56]. Foi utilizado então parâmetro de escala igual a 90 e fatores de cor/forma de 0.2 e suavidade/compactação de 0.5. Uma explicação mais detalhada sobre esses parâmetros encontra-se em [34] e [35]. Para a realização de uma análise de contexto foi utilizada, assim como em [56], uma série de segmentações hierárquicas com diferentes valores de escala, seguindo o procedimento apresentado na seção 2.3.3.. Na Figura 22 é apresentado um exemplo de uma área da imagem e a segmentação em múltiplas escalas. Observa-se o aumento do tamanho médio dos objetos gerados, conforme o aumento do fator de escala escolhido.
Page 1 and 2:
A-PDF Merger DEMO : Purchase from w
Page 3 and 4:
Todos os direitos reservados. É pr
Page 5 and 6:
Resumo Cazes, Thiago Broerman; Feit
Page 7 and 8: Sumário 1 Introdução 13 1.1 Obje
Page 9 and 10: Lista de Figuras Figura 1 - Exemplo
Page 11 and 12: Lista de Tabelas Tabela 1 - Caracte
Page 13 and 14: 13 1 Introdução As técnicas de s
Page 15 and 16: 15 compatíveis com a escala 1:50.0
Page 17 and 18: 17 2 Fundamentos Teóricos A presen
Page 19 and 20: 19 Os sensores remotos passivos que
Page 21 and 22: 21 Figura 2 - resposta espectral re
Page 23 and 24: 23 disponíveis em todo o mundo. O
Page 25 and 26: 25 que as mesmas sejam reconhecidas
Page 27 and 28: 27 Basicamente o tipo de funções
Page 29 and 30: 29 nebulosa permite representar val
Page 31 and 32: 31 2.2.1.4 Algoritmos Genéticos Al
Page 33 and 34: 33 2.3 Segmentação 2.3.1 Históri
Page 35 and 36: 35 software eCognition [35]. O proc
Page 37 and 38: 37 3 Estado da arte em classificaç
Page 39 and 40: 39 de alta resolução resultando n
Page 41 and 42: 41 diferença está nos atributos o
Page 43 and 44: 43 utilizado a decisão baseia-se n
Page 45 and 46: 45 4 Modelo proposto 4.1 Introduç
Page 47 and 48: 47 nebulosas. Agrega-se ao resultad
Page 49 and 50: 49 entre classes em um determinado
Page 51 and 52: 51 5 Avaliação experimental Nesse
Page 53 and 54: 53 Na área analisada a temperatura
Page 55 and 56: 55 Figura 17 - Foto da área do Par
Page 57: 57 uma resolução radiométrica de
Page 61 and 62: 61 CLASSE Água Características pr
Page 63 and 64: 63 CLASSE Floresta Urbana Caracter
Page 65 and 66: 65 contendo a descrição detalhada
Page 67 and 68: 67 Classificação 2001 Água Campo
Page 69 and 70: 69 também 50 padrões por classe p
Page 71 and 72: 71 (ou verdade de campo) a uma outr
Page 73 and 74: 73 5.3.2 Regras O conhecimento do e
Page 75 and 76: 75 O conjunto de treinamento utiliz
Page 77 and 78: 77 Taxa de erro global, comparaçã
Page 79 and 80: 79 Classe em t-1 Água Campo Alagad
Page 81 and 82: 81 analisado (t). A ordem das class
Page 83 and 84: 83 5.4.1.2 Contribuição do conhec
Page 85 and 86: 85 Se comparado com a Fase 1 a incl
Page 87 and 88: 87 6 Comentários finais O objetivo
Page 89 and 90: 89 Referências 1 CORR, D.G.; TAILO
Page 91 and 92: 91 27 GONZALEZ, R.C., WOODS, R.E. D
Page 93 and 94: 93 52 LEE, C.; LANDGREBE, D.A. Deci
show all

Thiago Broerman Cazes InterpretaÃ§Ã£o Baseada ... - NIMA - PUC-Rio

Create successful ePaper yourself

Delete template?

Save as template?