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

More documents

Recommendations

Info

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
69 também 50 padrões por classe para a validação. O demais padrões formaram o conjunto de teste.. O classificador baseado em redes neurais foi configurado com 10 neurônios na camada oculta todos configurados com funções de transferência tangente hiperbólica. . Na camada de entrada tem-se 7 entradas relativas às quatro respostas espectrais e três parâmetros de textura selecionados. Já na camada de saída tem-se 8 neurônios que representam cada um uma das classes da legenda configurados com funções de transferência logarítmica. O algoritmo de treinamento utilizado atualiza os pesos e os valores dos bias da rede de acordo com o gradiente descendente por retropropagação, utilizando momento e uma taxa de aprendizado adaptativa. Inicialmente a taxa de aprendizado foi configurada com o valor de 0,01 e o treinamento e executado durante 1000 épocas no máximo. 5.2.2 Resultados Erro de omissão por classe 100,00% 90,00% 80,00% 70,00% 60,00% 50,00% 40,00% 30,00% 20,00% 10,00% 0,00% Agua Campo Alagado Campo Floresta Urbana Floresta Urbano Rocha Campo Urbano Media Erro % 40,00% 52,50% 88,05% 66,67% 36,67% 29,75% 79,12% 94,16% 60,86% Gráfico 1 – Taxa de erro médio de omissão por classe após a classificação supervisionada com atributos espectrais e textura. Os resultados do classificador supervisionado baseado em redes neurais artificiais mostram um baixo desempenho na classificação de áreas de Rocha, Campo e Campo Urbano principalmente. Esse fato pode ser justificado devido à real confusão espectral e em termos de textura dessas classes. Na verdade a classe Campo Urbano não
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 and 58: 57 uma resolução radiométrica de
Page 59 and 60: 59 5.1.4 Segmentação A segmentaç
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: 67 Classificação 2001 Água Campo
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?