UMA%20ABORDAGEM%20H

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 medianaQ1, 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?