1 / 27

UMA ABORDAGEM HÍBRIDA PARA CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO

UMA ABORDAGEM HÍBRIDA PARA CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO. Aluno: Sandro Luiz Jailson Lopes Tinôco Orientador: David Menotti Gomes. Organização do Trabalho. Objetivo Imagens Hiperespectrais Abordagem Proposta KNN Kmeans Experimentos e Resultados Conclusão.

keefer
Download Presentation

UMA ABORDAGEM HÍBRIDA PARA CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. UMA ABORDAGEM HÍBRIDA PARA CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO Aluno: Sandro Luiz Jailson Lopes Tinôco Orientador: David Menotti Gomes

  2. Organização do Trabalho • Objetivo • Imagens Hiperespectrais • Abordagem Proposta • KNN • Kmeans • Experimentos e Resultados • Conclusão

  3. Introdução • Objetivo: • Diminuir o conjunto de treinamento do KNN e reduzir o tempo de execução do algoritmo, mantendo ou melhorando a precisão.

  4. Imagens Hiperespectrais

  5. Abordagem Proposta • Passo 1: • Separar os pixels rotulados em conjuntos. • Cada conjunto representando uma classe.

  6. Abordagem Proposta

  7. Abordagem Proposta • Passo 2: • Fazer a classificação não supervisionada de cada conjunto com um algoritmo de clusterização, como o Kmeans.

  8. Abordagem Proposta

  9. Abordagem Proposta • Passo 3 • Criar novos conjuntos de treinamento formados pelos centros encontrados

  10. Abordagem Proposta

  11. Abordagem Proposta • Passo 4 • Fazer a classificação com um algoritmo de classificação supervisionada, como o KNN, utilizando os novos conjuntos de treinamento.

  12. Abordagem Proposta

  13. Balanceamento das Classes • K = quantidade de clusters • C = quantidade de classes • Q = quantidade de elementos de cada classe • M = mediana{Q1, Q2, ..., Qn}, com n = 1,2, ..., C, R = M/K NKn = Qn/R • NK = quantidade de clusters para cada classe

  14. Validação Cruzada

  15. Experimentos • Código Matlab • Imagens dos sensores Aviris e Rosis

  16. Aviris Rosis

  17. Mapa temático: Aviris, 3-NN

  18. Mapa temático: Aviris, 1-NN e 60 centros

  19. Mapa temático: Rosis, 3-NN

  20. Mapa temático: Rosis, 1-NN e 60 centros

  21. Resultados: Precisão Geral

  22. Resultados: Tempo de Execução

  23. Análise • A precisão da abordagem proposta está abaixo da precisão do KNN, em torno de 2% para imagens AVIRIS e 4% para imagens ROSIS. • O tempo de execução da abordagem proposta chega a ser 10 vezes menor para imagens ROSIS e 2 vezes menor para imagens AVIRIS

  24. Resultados: Precisão Média por Classe - Aviris

  25. Resultados: Precisão Média por Classe - Rosis

  26. Conclusão e Trabalhos Futuros • A abordagem se mostrou promissora, uma vez que diminui o tempo de execução do KNN. • Pesquisar algoritmos de redução de dimensionalidade.

  27. Obrigado! Perguntas?

More Related