Thiago Broerman Cazes Interpretação Baseada ... - NIMA - PUC-Rio

68
5.2
Fase 1 – Classificação Espectral e Textura
Métodos convencionais de classificação baseados na resposta espectral pura e
simples, ou mesmo quando se utilizam atributos de textura, não apresentam
desempenho satisfatório em imagens de alta resolução. Um dos propósitos deste
trabalho é avaliar a esperada superioridade de métodos mais sofisticados de
classificação baseados em conhecimento. Afim de obter uma classificação espectral e de
textura o mais eficiente possível foi adotado um método baseado em Redes Neurais
Artificiais para classificação de padrões.
Redes neurais artificiais vêem se mostrando eficientes em tarefas complexas de
classificação de imagens de sensores remotos, segundo a literatura.
Nesse trabalho utiliza-se um classificador baseado em redes neurais do tipo
perceptrons de múltiplas camadas (multilayer perceptrons ou MLP) em conjunto com
algoritmo de treinamento baseado em retro propagação do erro (Backpropagation ou
simplesmente BP)
5.2.1
Dados utilizados
A base de dados utilizada no classificador supervisionado baseado em redes
neurais refere-se aos valores espectrais, ou seja, a resposta media espectral em cada um
dos segmentos analisados; e ainda as medidas de textura obtidas a partir dos parâmetros
de Haralick.
Nesse trabalho os atributos para representar textura foram escolhidos
empiricamente por análise visual. A escolha recaiu sobre parâmetros de Haralick, mais
especificamente Homogeneidade, Dissimilaridade e Correlação média considerando
todas as bandas da imagem. Os parâmetros foram calculados utilizando o software
eCognition.
Foram utilizados 50 segmentos por classe durante a fase de treinamento
totalizando 400 segmentos no conjunto de treinamento. Em algumas classes foi
necessário replicar os dados para que atingissem tal número. Foram selecionados