Métodos de Classificação de Imagens: Guia Completo

KMÉDIA

Método de classificação não supervisionada que se baseia no agrupamento de pixels por sua similaridade, usando técnicas de distância mínima. Como no Isodata, o processo realiza-se em 3 etapas:

• Classificação iterativa dos pixels;
• Redefinição de critérios para as classes;
• Reclassificação da imagem até que os padrões de distância espectral nos dados apareçam.

Difere-se do Isodata por assumir um número fixo de agrupamentos definidos previamente e por minimizar a variabilidade interna do agrupamento, dada pela função soma das distâncias ao quadrado (erros) entre cada pixel e o centro do grupo ao qual é alocado.

ISOSEG

Método de classificação não supervisionada aplicada sobre um conjunto de regiões homogêneas definidas por seus atributos estatísticos, como média e matriz de covariância, para estimar o valor central de cada classe. É medida a distância de Mahalanobis, que indica a similaridade entre as regiões. O processo é realizado em 3 etapas:

• Define-se um limiar percentual de aceitação (correspondente à distância de Mahalanobis) e a região incluída na classe apresentará uma distância igual ou inferior a ela;
• Detecção das classes, onde as regiões são ordenadas em ordem decrescente de área; assim, a primeira classe terá como parâmetros aquelas regiões com maior área;
• Competição entre as classes, onde as regiões são reclassificadas considerando os novos parâmetros estatísticos das classes definidos na etapa anterior.

MAXVER

Método de classificação supervisionada que calcula a probabilidade de o pixel pertencer a uma classe específica. As amostras de treinamento são usadas para estimar a forma da distribuição dos pixels em cada classe no espaço de n bandas (considerando que as bandas têm distribuição normal) e também a localização do centro de cada classe. Baseia-se no fato de que a distribuição dos pixels em torno da média apresenta-se na forma de um elipsoide e não de uma esfera. Assim, espera-se que a possibilidade de um pixel pertencer ao agrupamento dependerá não somente da distância ao centro de classe, mas também das dimensões e direções dos eixos do elipsoide. A matriz de covariância é que define a forma da elipse. Considerando um espaço bidimensional, duas classes podem assumir inclinações e formas distintas, e terão distribuição de probabilidades distintas. A alocação de um pixel a uma dessas classes dependerá de sua posição em relação a essas distribuições. No entanto, não é usada apenas a medida em relação ao centro de classe, mas é computada a probabilidade de o pixel pertencer a cada classe disponível, sendo destinado àquela em que a probabilidade for maior. Haverá necessidade de se estabelecer um limite para o processo de decisão de separabilidade das classes nas regiões em que as distribuições forem sobrepostas (nas regiões de sobreposição, os pixels têm igual probabilidade de pertencer a uma ou outra classe) e, quanto mais baixo for esse limite, mais rigorosa será a classificação, pois abaixo dele os pixels serão desconsiderados.

DISTÂNCIA EUCLIDIANA

Método de classificação supervisionada que utiliza a medida de distância Euclidiana como medida de similaridade para a inclusão de um pixel ao agrupamento. É calculado um vetor que representa a distância espectral entre o pixel candidato e a média para cada assinatura do grupo (classe). O pixel será designado à classe com média mais próxima, ou seja, aquela que apresenta menor distância Euclidiana. Como vantagem, tem-se a inclusão total dos pixels, uma vez que todos encontrarão uma média da qual estarão espectralmente mais próximos. No entanto, a desvantagem é a inclusão de mais pixels em classes com menor variabilidade, como água (porque os pixels que pertencem a essa classe estão espectralmente mais próximos à sua média) e a desconsideração de pixels de classes de grande variabilidade espacial, como urbana (pixels de uma zona urbana poderão ser distantes da média da própria classe e poderão ser alocados em outra).

BATTACHARYA

Método de classificação supervisionada que utiliza como amostras as regiões formadas durante a segmentação das imagens. Utiliza-se da distância de Bhattacharya para medir a separabilidade estatística entre um par de classes espectrais. A região candidata será mapeada para a classe cuja distância de Bhattacharya calculada entre elas seja menor.

CLATEX

O classificador ClaTex é um algoritmo supervisionado que utiliza atributos texturais das regiões de uma imagem segmentada. A classificação é realizada pela técnica de agrupamento de regiões a partir de uma medida de similaridade entre elas. A medida de similaridade utilizada é a distância de Mahalanobis entre a classe de interesse e as regiões candidatas à relação de pertinência com esta classe. Cada região será então classificada a uma dada classe conforme a mínima distância de Mahalanobis. As medidas texturais que podem ser usadas pelo classificador são divididas em 5 grupos: medidas gerais (média, variância, desvio padrão, curtose, assimetria e coeficiente de variação); medidas logarítmicas; medidas de autocorrelação; medidas de Haralick.