Classificação de Imagens de Satélite através de Redes Neurais Artificiais Universidade Federal do Pará Instituto de Ciênci...
Tópicos Abordados <ul><li>Introdução </li></ul><ul><li>Justificativa </li></ul><ul><li>Objetivos </li></ul><ul><li>Modelo ...
Tópicos Abordados <ul><li>Problemas quanto a Escolha da Imagem </li></ul><ul><li>Aplicação do Classificador de Imagens </l...
Introdução
Introdução <ul><li>Redes neurais artificiais  </li></ul><ul><li>Inteligência artificial </li></ul><ul><li>Estrutura comput...
Introdução <ul><li>Resolução de problemas de aproximação, predição, classificação, categorização e otimização (REZENDE,200...
Introdução <ul><li>Classificação de áreas geográfica </li></ul><ul><li>Média e Variância (Red-Blue-Green) de cada segmento...
Introdução <ul><li>Rede neural de aprendizado supervisionado. </li></ul><ul><li>Fornecer Saída <--> Entrada. </li></ul><ul...
Objetivo
Objetivo <ul><li>Obter um modelo de  redes neurais artificial  que  classifique imagens  obtidas de  satélites  em áreas c...
Modelo
Modelo <ul><li>Instâncias das Saídas desejadas </li></ul><ul><li>Definição do número de amostras </li></ul><ul><li>Erro de...
Modelo
Modelo
Modelo
Modelo
Funcionamento da Aplicação
Funcionamento da Aplicação <ul><li>O funcionamento da aplicação consiste de três passos. </li></ul><ul><li>Definição da im...
Funcionamento da Aplicação Figura 1: Imagem Original
Funcionamento da Aplicação Figura 2: Seleção de amostras
Funcionamento da Aplicação Figura 3: Gráfico do erro calculado
Funcionamento da Aplicação Figura 4: Imagem final classificada
Resultados
Resultados <ul><li>Comparação quanto ao  Número de Neurônios  </li></ul><ul><ul><li>Variação no número de neurônios na cam...
Resultados Comparação quanto ao Número de Neurônios
Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul>Figura 5: Imagem Original
Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul>Figura 6: Classificação com 12 neurônios
Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul>Figura 7: Classificação com 24 neurônios
Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul>Figura 8: Classificação com 36 neurônios
Resultados Comparação quanto ao Número de Pixels
Resultados <ul><li>Comparação quanto ao Número de Pixels </li></ul>Figura 5: Imagem Original
Resultados <ul><li>Comparação quanto ao Número de Pixels </li></ul>Figura 9: Verificação pixel a pixel
Resultados <ul><li>Comparação quanto ao Número de Pixels </li></ul>Figura 10: Verificação a cada 3 pixels
Resultados Comparação quanto a Quantidade de Amostras
Resultados <ul><ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul></ul></ul>Figura 5: Imagem Original
Resultados <ul><ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul></ul></ul>Figura 11: Classificação com 3 a...
Resultados <ul><ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul></ul></ul>Figura 12: Classificação com 6 a...
Resultados <ul><ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul></ul></ul>Figura 13: Classificação com 12 ...
Problemas de Escolha de Amostra
Problemas de Escolha de Amostra <ul><ul><ul><li>Caso a imagem a ser analisada seja de  baixa qualidade  ou o analista sele...
Aplicação do Classificador de Imagens baseado em Redes Neurais Artificiais na Análise de Redução de Área Verde
Aplicação do Classificador de Imagens baseado em Redes Neurais Artificiais na Análise de Redução de Área Verde <ul><ul><ul...
Aplicação do Classificador de Imagens baseado em Redes Neurais Artificiais na Análise de Redução de Área Verde Calculando ...
Considerações Finais
Considerações finais <ul><li>Solução simples para classificação de imagens de satélite </li></ul><ul><li>No entanto, satél...
Obrigado!
Upcoming SlideShare
Loading in …5
×

Trabalho final neurais_v1

1,730 views

Published on

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,730
On SlideShare
0
From Embeds
0
Number of Embeds
738
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Trabalho final neurais_v1

  1. 1. Classificação de Imagens de Satélite através de Redes Neurais Artificiais Universidade Federal do Pará Instituto de Ciências Exatas e Naturais Faculdade de Computação Disciplina: Tópicos Especiais em Redes Neurais Alunos: Diego Damasceno Vitor Lima Coelho
  2. 2. Tópicos Abordados <ul><li>Introdução </li></ul><ul><li>Justificativa </li></ul><ul><li>Objetivos </li></ul><ul><li>Modelo </li></ul><ul><li>Funcionamento da aplicação </li></ul><ul><li>Problemas de Escolha de Amostra </li></ul>
  3. 3. Tópicos Abordados <ul><li>Problemas quanto a Escolha da Imagem </li></ul><ul><li>Aplicação do Classificador de Imagens </li></ul><ul><ul><li>Análise de Redução de Área Verde </li></ul></ul><ul><li>Resultados </li></ul><ul><li>Considerações Finais </li></ul>
  4. 4. Introdução
  5. 5. Introdução <ul><li>Redes neurais artificiais </li></ul><ul><li>Inteligência artificial </li></ul><ul><li>Estrutura computacional bioinspirada </li></ul><ul><li>Baseada em neurônios biológicos </li></ul><ul><li>Simular o comportamento do cérebro humano (Aprendendo, Errando e fazendo Descobertas) </li></ul><ul><li>Apresentam um modelo inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. </li></ul>
  6. 6. Introdução <ul><li>Resolução de problemas de aproximação, predição, classificação, categorização e otimização (REZENDE,2005) </li></ul><ul><li>Problemas de classificação tratados neste trabalho atribuem um padrão de entrada a uma classe entre um conjunto de classes conhecidas. </li></ul><ul><li>Exemplos típicos de problemas de classificação são reconhecimento de voz, de caracteres e imagens faciais, em nosso caso, imagens geográficas. </li></ul>
  7. 7. Introdução <ul><li>Classificação de áreas geográfica </li></ul><ul><li>Média e Variância (Red-Blue-Green) de cada segmento da imagem. </li></ul><ul><li>As classes são solo, água e vegetação </li></ul><ul><li>Caso um pixel ou conjunto de pixel não esteja em nenhuma das classes é atribuída uma cor de classe default. </li></ul>
  8. 8. Introdução <ul><li>Rede neural de aprendizado supervisionado. </li></ul><ul><li>Fornecer Saída <--> Entrada. </li></ul><ul><li>Ajuste Iterativo </li></ul><ul><li>Imagem classificada de acordo com as classes água, solo, vegetação e default cada qual com sua respectiva cor definida pelo analista da imagem. </li></ul>
  9. 9. Objetivo
  10. 10. Objetivo <ul><li>Obter um modelo de redes neurais artificial que classifique imagens obtidas de satélites em áreas com água, solo e vegetação </li></ul>
  11. 11. Modelo
  12. 12. Modelo <ul><li>Instâncias das Saídas desejadas </li></ul><ul><li>Definição do número de amostras </li></ul><ul><li>Erro de tolerância </li></ul><ul><li>Número de neurônios da camada oculta </li></ul><ul><li>Número de máximo de épocas </li></ul>
  13. 13. Modelo
  14. 14. Modelo
  15. 15. Modelo
  16. 16. Modelo
  17. 17. Funcionamento da Aplicação
  18. 18. Funcionamento da Aplicação <ul><li>O funcionamento da aplicação consiste de três passos. </li></ul><ul><li>Definição da imagem de entrada no próprio código. </li></ul><ul><li>Em seguida, selecionar as amostras e por fim, treinamento e a conversão da imagem original na imagem classificada. </li></ul>
  19. 19. Funcionamento da Aplicação Figura 1: Imagem Original
  20. 20. Funcionamento da Aplicação Figura 2: Seleção de amostras
  21. 21. Funcionamento da Aplicação Figura 3: Gráfico do erro calculado
  22. 22. Funcionamento da Aplicação Figura 4: Imagem final classificada
  23. 23. Resultados
  24. 24. Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul><ul><ul><li>Variação no número de neurônios na camada escondida </li></ul></ul><ul><ul><li>12, 24 e 36 neurônios </li></ul></ul><ul><ul><li>Foi verificado que a imagem é melhor detalhada com quantidade maior de neurônios na camada oculta </li></ul></ul><ul><li>Comparação quanto ao Número de Pixels </li></ul><ul><ul><li>Mais sensível as variações de amostras </li></ul></ul><ul><ul><li>Depende da qualidade da imagem </li></ul></ul><ul><ul><li>Fatores climáticos e técnicos da imagem tornam-se mais significantes do que a verificação a cada 3 pixels. </li></ul></ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul><ul><ul><li>3, 6 e 12 amostras </li></ul></ul><ul><ul><li>A classificação está mais sujeita a erros </li></ul></ul><ul><ul><li>Pontos aleatoriamente selecionados </li></ul></ul>
  25. 25. Resultados Comparação quanto ao Número de Neurônios
  26. 26. Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul>Figura 5: Imagem Original
  27. 27. Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul>Figura 6: Classificação com 12 neurônios
  28. 28. Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul>Figura 7: Classificação com 24 neurônios
  29. 29. Resultados <ul><li>Comparação quanto ao Número de Neurônios </li></ul>Figura 8: Classificação com 36 neurônios
  30. 30. Resultados Comparação quanto ao Número de Pixels
  31. 31. Resultados <ul><li>Comparação quanto ao Número de Pixels </li></ul>Figura 5: Imagem Original
  32. 32. Resultados <ul><li>Comparação quanto ao Número de Pixels </li></ul>Figura 9: Verificação pixel a pixel
  33. 33. Resultados <ul><li>Comparação quanto ao Número de Pixels </li></ul>Figura 10: Verificação a cada 3 pixels
  34. 34. Resultados Comparação quanto a Quantidade de Amostras
  35. 35. Resultados <ul><ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul></ul></ul>Figura 5: Imagem Original
  36. 36. Resultados <ul><ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul></ul></ul>Figura 11: Classificação com 3 amostras
  37. 37. Resultados <ul><ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul></ul></ul>Figura 12: Classificação com 6 amostras
  38. 38. Resultados <ul><ul><ul><li>Comparação quanto a Quantidade de Amostras </li></ul></ul></ul>Figura 13: Classificação com 12 amostras
  39. 39. Problemas de Escolha de Amostra
  40. 40. Problemas de Escolha de Amostra <ul><ul><ul><li>Caso a imagem a ser analisada seja de baixa qualidade ou o analista selecione uma amostra tendenciosa , o tempo para treinamento aumentará podendo nunca haver conversão, parando a iteração quando atingir o número máximo de épocas. </li></ul></ul></ul>
  41. 41. Aplicação do Classificador de Imagens baseado em Redes Neurais Artificiais na Análise de Redução de Área Verde
  42. 42. Aplicação do Classificador de Imagens baseado em Redes Neurais Artificiais na Análise de Redução de Área Verde <ul><ul><ul><li>Floresta degradada </li></ul></ul></ul><ul><ul><ul><li>Medição do percentual </li></ul></ul></ul><ul><ul><ul><li>Sérios efeitos colaterais </li></ul></ul></ul><ul><ul><ul><li>Impactos ambientais -> Desertificação </li></ul></ul></ul><ul><ul><ul><li>Alteração nos padrões climáticos globais </li></ul></ul></ul><ul><ul><ul><li>Contador de segmentos na classe vegetação </li></ul></ul></ul>if ( sum(Saida == desejadoSolo ) == 3) cor = cor_solo; elseif ( sum(Saida == desejadoVegetacao) == 3 ) cor = cor_vegetacao; cont_vegetacao = cont_vegetacao + 1; else cor = cor_nada; end
  43. 43. Aplicação do Classificador de Imagens baseado em Redes Neurais Artificiais na Análise de Redução de Área Verde Calculando a área verde da imagem antes e subtraindo da área verde depois do processo de desmatamento é verificado uma redução de aproximadamente 37% da cobertura vegetal. ANTES DEPOIS
  44. 44. Considerações Finais
  45. 45. Considerações finais <ul><li>Solução simples para classificação de imagens de satélite </li></ul><ul><li>No entanto, satélites mais avançados podem captar imagens com maior qualidade e nitidez </li></ul><ul><li>Facilita a classificação da imagem </li></ul><ul><li>A seleção de amostras que não reflitam a realidade diminui a precisão da rede </li></ul><ul><li>A qualidade e a resolução da imagem original implica diretamente no resultado final </li></ul><ul><li>Realce de cores </li></ul><ul><li>Maior quantidade de neurônios melhora a precisão da rede </li></ul><ul><li>A aplicação para a verificação de diminuição de cobertura vegetal. </li></ul>
  46. 46. Obrigado!

×