Espacialização da exatidão da classificação automática de imagens multiespetrais usando medidas de incerteza e classificadores não rígidos

Abstract

A classificação automática de imagens multiespetrais é uma importante ferramenta na construção de mapas temáticos de ocupação de solo, permitindo uma monitorização eficaz das alterações paisagísticas e de cobertura de solo, contribuindo para uma melhor gestão dos recursos presentes na superfície terrestre. Existem diversos tipos de classificadores, sendo de destacar os classificadores rígidos que atribuem, inequivocamente, uma ocupação de solo a um pixel, e os classificadores não rígidos que, não atribuem uma classe a um pixel, mas definem valores de confiança de atribuição de cada classe a esse pixel. Os classificadores não rígidos permitem calcular índices de incerteza representantes da dificuldade que o classificador teve para classificar o pixel em questão. Um tema importante na produção de mapas de cobertura de solo é a avaliação da sua exatidão. Regra geral, esta avaliação da exatidão da classificação é feita recorrendo a matrizes de confusão para toda a imagem classificada mas, uma vez que a exatidão poderá não ser homogénea em toda a classificação, este método não permite obter uma avaliação da variação da exatidão em diferentes zonas da imagem. O principal objetivo desta dissertação consiste na avaliação da incerteza resultante da classificação de imagens multiespetrais utilizando diferentes classificadores e, consequentemente, estudar de que forma esta informação da incerteza poderá ser um indicador para espacializar a exatidão da classificação, em diferentes áreas da imagem classificada. A abordagem utilizada baseia-se na metodologia proposta por Fonte e Gonçalves (2011), ou seja, são realizadas classificações de duas imagens de diferentes resoluções, utilizando diferentes classificadores não rígidos, sendo as imagens das incertezas resultantes das classificações segmentadas, permitindo diferenciar zonas da classificação com diferentes valores de incerteza. São então, calculadas as médias de incerteza, em cada zona segmentada, e é calculada a exatidão global da classificação para diferentes níveis de incerteza, assim como a exatidão do utilizador e do produtor, para diferentes níveis de incerteza. Os estudos realizados e os resultados obtidos mostram que a exatidão resultante da classificação de imagens multiespetrais utilizando classificadores não rígidos varia consistentemente em função do nível de incerteza obtido, o que sugere que a incerteza pode ser um indicador da exatidão da classificação, bem como da espacialização dessa exatidão na classificação em questão.

The automatic classification of multispectral images is an important tool in the construction of thematic and land cover maps and, enables an efficient monitoring of landscape and ground cover changes contributing to a better management of resources on the land surface. Several types of classifiers can be used to produce these maps. Hard classifiers that clearly assign a land occupation type to a pixel, and soft classifiers that do not assign a class to a pixel, but provides information about the degree of membership of that pixel to each of the possible classes. Soft classifiers allow calculating indexes of uncertainty, representing the difficulty that the classifier had to classify the pixel in question. An important issue in the production of land cover maps is their accuracy evaluation. Generally, this classification accuracy assessment is done by obtaining confusion matrices for the entire classified image but, since the accuracy may not be uniform throughout the classification, this method does not allow an evaluation of the accuracy variation in different areas of the image. The main objective of the thesis is to assess the uncertainty resulting from the classification of multispectral images using different classifiers, and to investigate how this uncertainty information may be used as an indicator to spatialize the classification accuracy in different areas of the classified image. It is presented an approach based on the methodology proposed by Fonte and Gonçalves (2011). Two images of different resolutions are classified using different soft classifiers, and the resulting uncertainty images are segmented, allowing to identify different classification areas with different values of uncertainty. Then it is calculated the uncertainty average in each segmented area, and it is calculated the classification overall accuracy and the users and producers accuracy for different levels of uncertainty. The obtained results show that the accuracy of the classification of multispectral images using soft classifiers varies consistently with the level of uncertainty obtained, suggesting that the uncertainty information may be an indicator of the accuracy of a classification and an indicator to spatialize the accuracy of the classification in question.