Купить СНПЧ А7 Архангельск, оперативня доставка

crosscheckdeposited

Influência da Dimensão dos Blocos na Classificação de Imagens Digitais

DOI: http://dx.doi.org/10.13083/1414-3984.v17n04a04

http://www.seer.ufv.br/seer/index.php/reveng/index 

downloadpdf

Leonardo R. Reis1, Luciano B. Vieira2, Carlos E. Schaefer3, Nerilson T. Santos4 &  Francisco A. Pinto5

 

Resumo: Para avaliar o efeito de diferentes dimensões de blocos no processo de classificação de imagens, foram obtidas imagens em três alturas diferentes, 4, 20, e 50 m, de uma área experimental de 1.200 m², que continha três blocos com cinco tratamentos cada. Os tratamentos consistiram de cinco preparos distintos de solo. Para obtenção das imagens aéreas, colocou-se uma câmera digital a bordo de um balão. A dimensão dos blocos das imagens utilizadas no processo de classificação para as alturas de 4 e 20 m foram de 50 x 50, 150 x 150 e 250 x 250 pixels e para a altura de 50 m: 50 x 50 e 90 x 90 pixels. As imagens obtidas foram processadas utilizando técnicas de matriz de co-ocorrência de onde foram extraídos oito descritores de textura das imagens, calculados a partir dos blocos das imagens. O bloco com maior dimensão 250 x 250 pixels, apresentou os maiores valores do índice kappa, para altura de 4 e 20 m. Na altura de 50 m o bloco 90 x 90 pixel obteve melhor desempenho.

Palavras-chave: classificação de imagens, câmera digital, blocos

 

Abstract: To determine the effect of block dimensions on image classification, aerial images from three different heights (4, 20 and 50 m) were obtained in an experimental area of 1.200 m2, divided into three blocks, each with five soil preparation methods. The images were obtained with the use of a digital camera in a balloon. The block dimensions for heights of 4 and 20 m were respectively, 50 x 50, 150 x 150 and 250 x 250 pixels and for the height of 50 m, 50 x 50 and 90 x 90 pixels. The images were processed with the use of co-occurrence matrix techniques from which eight texture descriptors, calculated from the image blocks, of the images were extracted for classification. The highest values of the kappa index for 4 and 20 m height were obtained from block of 250 x 250 pixels. For the height of 50 m, the 90 x 90 block gave the best result.

Key words: image classification, digital camera, block

 

1 Eng. Agrônomo, Ms. Eng. Agrícola, Dr. Eng. Agrícola UFV; Av. Ph.Rolfs, s/n, Departamento de Eng. Agrícola- UFV- MG, Viçosa- MG, Cep: 36570-000, Brasil
2 Eng. Agrônomo, Prof. Adjunto, Departamento de Engenharia Agrícola Av. Ph.Rolfs, s/n, Departamento de Eng.Agrícola- UFV- MG
3 Eng. Agrônomo, Professor Adjunto IV, Universidade Federal de Viçosa, Departamento de Solos. Av P.H. Rolfs sn Centro 36571-000 - Vicosa, MG - Brasil
4 Engenheiro Agrônomo, Prof. Adjunto. Centro de Ciências Exatas e Tecnológicas, Departamento de Informática. Universidade Federal de Viçosa - UFV 36571000 - Viçosa, MG – Brasil
5 Eng.Agrônomo, Professor Adjunto, DEA, UFV, Viçosa (MG), 36570-000. Bolsista do CNPq

 

Literatura Citada

CONGALTON, R.G. A review of assessing the accuracy of classifications of remotely sensed data. Remote sensing of environment, New York, n.37, p.35-46, 1991.

GOMES, O.F.M. Processamento e análise de imagens aplicadas à caracterização automática de materiais. Dissertação Mestrado. Departamento de Ciências de Materiais e Metalúrgica PUC/Rio, 2001.

GONZALES, R.C., WOODS, R.E. Processamento de imagens digitais. Editora Edgard Blücher Ltda, São Paulo. 509p, 2000.

HARALICK, R.M. Texture features for image classification. In: IEEE Transactions on Systems, Man and Cybernetics. SMC-3, nº 6. 1973.

HUDSON, W.D., RAMM, C.W. Correct formulation of the kappa coefficient of agreement. Photogrammetric engineering & remote sensing. Bethesda, v.53 n.4, p.421-422, 1987.

JAYAS, D.S, PALIWAL, J, VISEN, N.S. Multi-layer neural networks for image analysis of agricultural products. Journal Agricultural Engineering Research, Silsoe, v.77, n.2, p.119-128, 2000.

LILLESAND, T.M.; KIEFER, R.W. Remote sensing and image interpretation. New York: John Wiley and Sons, 1994. 750 p.

LILLESAND, T.M.; KIEFER, R.W. Remote Sensing and image interpretation. 3. ed. New York, John Wiley & Sons, 2000. 724 p.

MATHER, P.M. Computer procesing of remotelysensed images: an introduction. West Succex, John Wiley and Sons, 1999. 292p.

MARCEAU, D.J., HOWARTH, P.J., DUBOIS, J.M.M. e GRATTON, D.J. Evaluation of the grey-level cooccurrence matrix method for land-cover classification using SPOT imagery. IEEE Transactions on Geoscience and Remote Sensing, V. Março 1990, 513–519, 1990

NASCIMENTO, J.P.R. Análise e classificação de imagens baseadas em características de textura utilizando matrizes de co-ocorrência, Dissertação Mestrado, Universidade Federal do Paraná, 2003.

ORLANDO, R.C., Sistema de visão artificial para discriminação entre plantas daninhas e milho. Tese Doutorado. Viçosa, UFV, 2003.

RODRIGUEZ Y,J.L. Mapeamento e monitoramento da vegetação do Estado do Mato Grosso através de imagens AVHRR-NOAA. 135p. (INPE-6816-TDI/638). Dissertação (Mestrado em Sensoriamento Remoto) - INPE, São José dos Campos, 1998.

SWAIN, P.H. Fundamentals of pattern recognition in remote sensing. In: Swain, P. H.; Davis, S.H. Remote sensing: a quantitative approach. 1. ed. EUA, McGraw- Hill, 1978, cap.3, p.136-187.

SCHOWENGERDT, R.A. Techniques for image processing and classification in remote sensing. Academic Press, 1983. 249p.

SANTOS, R.L., QUINTANILHA, J.A., FUKUMORI, I. Os solos e o sensoriamento remoto: o uso de imagens Landsat 7 ETM para mapeamento dos horizontes coesos dos Tabuleiros Costeiros da Bahia. In: XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia, Brasil, Goiânia, INPE, 16-21 abril 2005, p.2749-2757.

TANG, L., TIAN, L.F., STEWARD, B.L., REID, J.F. Texture-based weed classification using Gabor Wavelets and Neural Network for real-time selective herbicide applications. ASAE/CSAE-SCGR Annual International Meeting. Toronto, Ontario. Paper nº 993036, 10 p, 1999.