Vea
como realizar una Segmentación en el SPRING.
La clasificación estadística es el procedimiento convencional de análisis
digital de imágenes. Constituye un proceso de análisis de pixels de forma
aislada.
Este abordaje presenta la limitación de que el análisis puntual se base únicamente en atributos espectrales. Para superar estas limitaciones, se propone el uso de la segmentación de imágenes, como una fase previa a la fase de clasificación, donde se extraen los objetos relevantes para la aplicación deseada.
En este proceso, se divide la imagen en regiones que deben corresponder a las áreas de interés de la aplicación. Se entiende por regiones un conjunto de "pixels" contiguos, que se dispersan bidireccionalmente y que presentan uniformidad entre sí.
La división en porciones consiste básicamente en un proceso de crecimiento de regiones, de detección de bordas o de detección de cuencas. A seguir se describe cada uno.
Es una técnica de agrupamiento de datos, en la cual sólo las regiones adyacentes espacialmente, pueden ser unidas.
Inicialmente, este proceso de segmentación rotula cada "pixel" como perteneciente a una región diferente. Seguidamente se calcula un criterio de similitud para cada par de regiones adyacente espacialmente. El criterio de similitud se basa en un test de hipótesis estadístico que prueba la media entre las regiones. Luego se divide la imagen en un conjunto de subimágenes y se realiza la unión de regiones, según un umbral de agregación definido.
Para que dos regiones A y B vecinas sean unidas, se debe adoptar el siguiente criterio:
En el caso que las regiones A y B satisfagan estos criterios, dichas regiones serán agregadas, en caso contrario, el sistema reinicia el proceso de prueba de agregación.
Si el método elegido es Crecimiento de regiones Multi el algoritmo utilizará técnicas de multiprogramación, multihilo y multinúcleo de acuerdo con las características del ordenador. EEstas operaciones se pueden manejar haciendo clic en el Operaciones Avanzadas, la interfaz de segmentación.
La segmentación por detección de cuencas es realizada sobre una imagen resultante de la extracción de bordes.
La extracción de bordes es realizada por un algoritmo de detección de bordes, o sea por la aplicación del filtro de Sobel. Este algoritmo considera los gradientes de nivel de gris de la imagen original, para generar una imagen gradiente o imagen de intensidad de borde.
El algoritmo calcula un umbral para la persecución de bordes. Cuando el algoritmo encuentra un "pixel" con valor superior al umbral establecido, se da inicio al proceso de persecución del borde. Se observa la vecindad para identificar el próximo "pixel" de mayor valor de nivel digital y se sigue en esa dirección hasta que se encuentre otro borde o la frontera de la imagen. De este proceso se origina una imagen binaria, en donde el valor 1 representa los bordes y 0, las regiones de no bordes.
La imagen binaria será rotulada de modo que las porciones de la imagen con valores 0 constituirán regiones limitadas por los valores 1 de la imagen, conformando la imagen rotulada.
El procedimiento de segmentación por detección de cuencas presupone una representación topográfica para la imagen, o sea, para una imagen gradiente dada, el valor de nivel digital de cada "pixel" equivale a un valor de elevación en aquel punto. La imagen equivaldría a una superficie topográfica con rasgos de relieve o una región con cuencas de diferentes profundidades.
El crecimiento de una región equivaldría a la inmersión de la superficie topográfica en un lago. Se define una altura inicial (nivel digital) para la "inundación" de las cuencas (umbral). El "agua" llenará progresivamente las diferentes cuencas de la imagen hasta un umbral definido por la topografía (valor de nivel digital). Al alcanzar el límite, se define una barrera entre dos regiones. El proceso de llenado continúa en otra dirección hasta alcanzar un nuevo límite topográfico, definiéndose otra barrera más y así sucesivamente hasta que todas las barreras hayan sido definidas.
El resultado es una imagen rotulada, donde cada región presenta un rótulo (valor de nivel digital), dichas imágenes deben ser clasificadas por clasificadores de regiones.
O método de Segmentação Multiresolução é um algoritmo de crescimento de regiões proposto por Baatz e Schäpe (Baatz00).
A segmentação começa com cada pixel da imagem como uma semente, representando um objeto. A cada iteração, cada objeto se funde ao objeto vizinho. Vizinho é aquele para o qual o objeto resultante da fusão represente o menor acréscimo de heterogeneidade em relação à soma das medidas de heterogeneidade internas dos dois objetos candidato à fusão.
A fusão, porém, só acontece se o acréscimo de heterogeneidade for menor do que certo limiar. A medida de heterogeneidade possui uma componente espectral e uma morfológica.
A componente espectral é definida a partir dos valores dos pixels que compõem o objeto, sendo proporcional ao desvio-padrão desses valores, ponderados por pesos arbitrários definidos para cada banda espectral da imagem.
A componente morfológica é definida pelo desvio relativo da forma do objeto em relação a uma forma compacta e uma forma suave, ponderadas por pesos. A compacidade é definida como a razão entre o comprimento de borda do objeto e a raiz quadrada de sua área (seu tamanho em pixels), e a suavidade como a razão entre o comprimento de borda do objeto e o comprimento de borda do retângulo envolvente.
Para permitir um crescimento distribuído dos objetos, cada objeto é selecionado para fusão apenas uma vez a cada iteração e essa seleção é realizada de uma forma espacialmente distribuída.
O fator de fusão é o acréscimo de heterogeneidade resultante da fusão entre dois objetos e é o que direciona o algoritmo através das iterações. Quando um objeto é selecionado, o fator de fusão é calculado para cada um dos seus vizinhos. O vizinho para o qual esse fator é mínimo é selecionado para a fusão. Mas a fusão ocorre apenas se o fator de fusão for menor do que certo limiar, definido como o quadrado do parâmetro de escala, um dos parâmetros do algoritmo. A segmentação termina quando mais nenhuma fusão puder ser realizada. O parâmetro de escala é um termo abstrato que determina o máximo aumento de heterogeneidade permitido, resultante da fusão entre dois objetos, e que influencia indiretamente no tamanho médio dos objetos finais, produzidos pela segmentação(Brodský06).
El clasificador Isoseg es el algoritmo disponible en el SPRING para clasificar las regiones de una imagen segmentada. Es un algoritmo de agrupamiento de datos no supervisado, aplicado sobre un conjunto de regiones, que por su vez son caracterizadas por sus atributos estadísticos de media y matriz de covariancia y también por el área de cada una.
Un algoritmo de "clustering" no asume ningún conocimiento previo de la distribución de densidad de probabilidad de los temas, como ocurre con el algoritmo de máxima verosimilitud. Es una técnica de clasificación que procura agrupar regiones, a partir de una medida de similitud entre las regiones. La medida de similitud utilizada consiste en la distancia de Mahalanobis entre la clase y las regiones candidatas a la relación de pertenencia con esta clase.
El Isoseg utiliza los atributos estadísticos de las regiones: la matriz de covariancia y el vector de media, para estimar el valor central de cada clase. Este algoritmo se puede resumir en tres etapas, descritas a seguir.
(1ª) Definición del umbral: el usuario define un umbral de aceptación, dado en porcentaje. Este umbral por su vez define una distancia de Mahalanobis, de forma que todas las regiones pertenecientes a una clase dada, están distantes de la clase por una distancia inferior. Cuanto mayor es el umbral, mayor es la distancia y consecuentemente mayor será el número de clases detectadas por el algoritmo.
(2ª) Detección de las clases: las regiones son ordenadas en orden decreciente de área y se inicia el procedimiento para agruparlas en clases. Serán tomados como parámetros estadísticos de una clase (media y matriz de covariancia), los parámetros estadísticos de la región de mayor área que no haya sido asociada a ninguna clase. Seguidamente, se asocian a esta clase todas las regiones cuya distancia de Mahalanobis sea inferior a la distancia definida por el umbral de aceptación.
Así, la primera clase tendrá como parámetros estadísticos aquellas regiones con mayor área. Las clases siguientes tendrán los parámetros estadísticos de media de las regiones de mayor área, que no haya sido asociada a ninguna de las clases previamente detectadas. Esta fase se repite hasta que todas las regiones hayan sido asociadas a alguna clase.
(3ª) Competición entre clases: las regiones son reclasificadas, considerándose los nuevos parámetros estadísticos de las clases, definidos en la etapa anterior.
La fase 2 consiste básicamente en la detección de clases, siendo un proceso secuencial que puede favorecer las clases que son detectadas en primer lugar. Con el objetivo de eliminar este favoritismo, se procede a establecer una competencia entre clases. Esta competencia consiste en reclasificar todas las regiones. El parámetro estadístico (media de cada clase) es recalculado. El proceso se repite hasta que la media de las clases no se altere (convergencia).
Al final, todas las regiones estarán asociadas a una clase definida por el algoritmo. El usuario deberá entonces, asociar estas clases (denominadas temas, en el SPRING) a las clases definidas en el banco de datos, en la opción Archivo - Esquema Conceptual.
El usuario debe seguir los siguientes pasos para generar una clasificación a
partir de una imagen segmentada:
1. Crear una imagen segmentada - generar una imagen, separada en regiones con base en el análisis de los niveles de gris.
2. Crear el archivo de Contexto - este archivo almacena cuáles son las bandas que formarán parte del proceso de clasificación por regiones.
3. Realizar el entrenamiento - deben ser definidas muestras sobre una imagen en el área de visualización;
4. Analizar las muestras - permite verificar la validez de las muestras definidas;
5. Extracción de regiones: en este procedimiento el algoritmo extrae las informaciones estadísticas de media y variancia de cada región, considerando las bandas indicadas en el archivo de contexto;
6. Clasificación - para realizar la clasificación de una imagen segmentada se debe usar el clasificador por regiones;
7. Realizar el Mapeo para Clases - lo cual permite transformar la imagen clasificada (categoría Imagen) en un mapa temático raster (categoría Temático).
Consulte
también:
Otras técnicas de Procesamiento de Imágenes.
Como realizar una Segmentación.