Differences
This shows you the differences between two versions of the page.
| Next revision | Previous revision | ||
|
leila:students:trabalho_final_de_pdi_avancado [2009/08/20 15:45] miguel created |
leila:students:trabalho_final_de_pdi_avancado [2010/05/11 17:46] (current) miguel |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| ====== Tópicos Avançados em Processamento Digital de Imagens ====== | ====== Tópicos Avançados em Processamento Digital de Imagens ====== | ||
| + | |||
| + | |||
| ==== Título==== | ==== Título==== | ||
| - | Extração de superfícies impermeáveis a partir de imagens QuickBird aplicando Classificação Orientada a Objeto | + | //**Extração de superfícies impermeáveis a partir de imagens QuickBird aplicando Classificação Orientada a Objeto**// |
| ==== Resumo ==== | ==== Resumo ==== | ||
| - | Estudos acerca de superfícies impermeáveis são cruciais para o desenvolvimento sustentável das zonas urbana, devido ao seu forte impacto nesses ambientes. Em estudos sobre o contexto urbano, onde a alta resolução espacial é essencial, os métodos tradicionais de classificação de imagem têm apresentado limitações, face à riqueza do conteúdo informativo que as imagens produzidas pela nova geração de satélites possui. | + | Estudos acerca de superfícies impermeáveis são cruciais para o desenvolvimento sustentável das zonas urbanas, devido ao seu forte impacto nesses ambientes. Em estudos sobre o contexto urbano, onde a alta resolução espacial é essencial, os métodos tradicionais de classificação de imagem têm apresentado limitações, face à riqueza do conteúdo informativo que as imagens produzidas pela nova geração de satélites possui. |
| Diversas pesquisas têm mostrado que os métodos tradicionais de classificação não são adequados para estas aplicações. Assim, torna-se necessário o uso de novos métodos de classificação que incluam dados auxiliares e conhecimentos do especialista, considerando-se que um intérprete humano facilmente identifica alvos urbanos baseando-se em seu conhecimento (usando atributos como forma, cor, padrão, textura e contexto). Entretanto, este trabalho consome tempo demasiado. Neste contexto, a utilização do sistemas baseados no conhecimento do intérprete é uma boa opção, uma vez que estes sistemas podem modelar o conhecimento do intérprete em ambiente computacional para classificar uma cena. A abordagem orientada a objeto tornou-se bastante indicada para o estudo de áreas urbanas, especialmente devido à sua capacidade de extrair objetos de interesse com a maior precisão do que os métodos baseados em pixels. | Diversas pesquisas têm mostrado que os métodos tradicionais de classificação não são adequados para estas aplicações. Assim, torna-se necessário o uso de novos métodos de classificação que incluam dados auxiliares e conhecimentos do especialista, considerando-se que um intérprete humano facilmente identifica alvos urbanos baseando-se em seu conhecimento (usando atributos como forma, cor, padrão, textura e contexto). Entretanto, este trabalho consome tempo demasiado. Neste contexto, a utilização do sistemas baseados no conhecimento do intérprete é uma boa opção, uma vez que estes sistemas podem modelar o conhecimento do intérprete em ambiente computacional para classificar uma cena. A abordagem orientada a objeto tornou-se bastante indicada para o estudo de áreas urbanas, especialmente devido à sua capacidade de extrair objetos de interesse com a maior precisão do que os métodos baseados em pixels. | ||
| Line 20: | Line 22: | ||
| {{:leila:students:barbara:fluxogramapdi.jpg?400}} | {{:leila:students:barbara:fluxogramapdi.jpg?400}} | ||
| + | |||
| + | |||
| + | ==== Resultados e discussão ==== | ||
| + | |||
| + | Por meio de análise visual dos mapas temáticos resultantes das classificações das seis imagens, conclui-se que os resultados das classificações foram bons. Pode-se observar em alguns locais pequenas confusões entre as classes VEGETAÇÃO e SOLO EXPOSTO e entre VEGETAÇÃO e SOMBRAS. | ||
| + | |||
| + | Para melhor quantificar a acurácia das classificações, foram coletadas amostras aleatórias nos seis mapas temáticos produzidos e então foi aplicado o índice Kappa (CONGALTON e GREEN, 1999). | ||
| + | |||
| + | Analisando as matrizes de confusão e os índices Kappa dos mapas temáticos, em relação à verdade de campo, é possível verificar que as porcentagens de acerto global foram similares (de 80% a 87,5%). Estes acertos referem-se aos pixels classificados corretamente, segundo a verdade de campo. Os índices globais Kappa, para os seis mapas, são classificados como “substanciais” (0,61 a 0,80) e “quase perfeitos” (0,81 a 1,00) segundo Landis e Koch (1977). | ||
| ==== Trabalho Final ==== | ==== Trabalho Final ==== | ||
| Line 29: | Line 40: | ||
| ---- | ---- | ||
| + | |||
| + | ^[[http://wiki.dpi.inpe.br/doku.php?id=leila:students:barbara|Voltar]]^ | ||
