Clustering - Segmentação SR II

Exercício de Agrupamento

Para este exercício utilizaremos o software “Multispec” E uma imagem colorida RGB de uma região próxima a Curitiba.

2. No menu do multispec selecione Processor/Cluster. Cluster quer dizer agrupamento.

3. Isto abre uma nova janela, oferecendo opções para fazer o agrupamento “set cluster specifications”. Nesta janela ative a opção ISODATA, o que abre uma segunda opção com os parâmetros de algoritmo.

Algumas opções:

Initialization Options: se refere a como devem ser arbitrados os centros iniciais. Uma boa opção é ao longo de primeiro autovetor (2ª linha), mas parece uma boa ideia variar e verificar o resultado.

Other Options: Aqui você pode escolher:

Número de grupos (Clusters). Isto deve ser determinado em função da imagem. Bem, na imagem temos, pastagem, vegetação densa, área construída, piscina, solo... podemos arbitrar 5 classes?

Convergence: 99%. Isto significa que o algoritmo pode parar quando chegar próximo da solução óptima. 100% seria ideal, mas devido a erros numéricos ou pequenas variações, o processo pode ser muito demorado.

Minimum cluster size: é o menor tamanho de um grupo que será aceito.
O resultado do agrupamento é um conjunto de grupos, os quais podem ser vistos como "classes" em um processo de classificação. Por isso, o programa pode gerar um arquivo de estatísticas, de forma similar àquele que se gera quando se coletam áreas de treinamento. Para isto, verifique sempre se a opção Cluster stats está ativa como To New Project.

OK. Então vamos teclar OK!
Após processar, o programa mostra a tela de um projeto, similar àquele que usamos quando fizemos a classificação supervisionada de imagens. Note que as classes não têm nome específico, apenas “Cluster #”. Isto porque o programa não sabe que classes achou, apenas sabe que os grupos formados são uniformes. Neste ponto você pode salvar o projeto dando a ele um nome. Por enquanto não é necessário.

Então, vamos classificar a imagem com estes centros, estes clusters. Clique na imagem e depois ative no menu do Multispec o comando “processor/classify” Não esqueça selecionar o método da distância Euclidiana como opção de classificação e de pedir que o resultado seja armazenado no disco. Após classificar a imagem, abra o resultado, a imagem temática. No caso geral esta imagem pode ter o nome “piraquara_cl.gis”, mas se você deu outro nome, procure seu resultado na pasta. Por se tratar de uma imagem temática, habilite o tipo “thematic” no diálogo de abertura de imagens. O resultado é mostrado como uma imagem temática, junto com sua tabela decores e classes. Não esqueça que você pode editar as cores das classes clicando duas vezes nos quadradinhos coloridos. Os nomes também podem ser editados. Mas nesta fase, não é tão importante. O mais o importante é primeiro achar o número de clusters óptimo.
Bem, o resultado obtido não está ruim, solo, vegetação densa e pastagem foram delimitados. Mas a piscina e as áreas pavimentadas foram confundidas. Pode melhorar este resultado usando mais clusters? No resultado, vários clusters podem ser mostrados com a mesma cor.

OK. Então, vamos lá!

Trabalho para entregar na semana seguinte:
Aplique o método de agrupamento para delimitar os campos de agricultura na imagem Quickbird. Qual é o melhor "número de grupos" para delimitar as áreas de agricultura...

usando apenas as bandas do visível?
usando as quatro bandas disponíveis?

Aplique a transformação das componentes principais a esta imagem e, usando as componentes principais encontre o melhor "número de grupos" para delimitar as áreas de agricultura...

usando apenas as componentes necessárias para representar 90% da informação original
usando as quatro bandas disponíveis.

Responda:

Vale a pena aplicar a transformação das componentes principais?
Caso positivo, qual é a vantagem?
Caso negativo, qual a desvantagem?

imagem	aluno 01	aluno 02	aluno 03
imagem 01	ANA	FABIO	LUCAS
imagem 02	ARTHUR	GABRIEL	MATHEUS
imagem 03	BAREEZYW	JAQUELINE	WILLYAN
imagem 04	DIEINY	LETICIA

Agora você pode voltar ao ou ao menu desta aula.