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