Aplicação dos Filtros Gabor na Classificação Supervisionada de ...

Aplicação dos Filtros Gabor na Classificação Supervisionada de Imagens deSensoriamento RemotoAna Carolina Nicolosi da Rocha Gracioso, Ana Cláudia ParisFábio Fernando da Silva, Renata de Freitas Góes, Adilson GonzagaUniversidade de São Paulo - Departamento de Engenharia Elétrica – São Carlos, SP, Brasilkarolina@karolina.com.br, acp@netsite.com.br, fabio.f.silva@itelefonica.com.br,rfgoes@sel.eesc.usp.br, agonzaga@sc.usp.br, Telefone/Fax +55 16 3373 9371AbstractThis work describes a technique of classification of remote sensing images using the texture attributeas source of data. The processes of classification/segmentation are described and the use of GaborFilters for the supervised classification of such images is proposed here, for the purpose of separatingareas of water, vegetation and urban region. For an image characteristic extraction was chosen anspectrum approach, which try to identify a periodicity in the image, through an identification of peaksof high energy in the spectrum, what may be get with the Fourier Transform application. Thus, theproperties of the Fourier spectrum were used in the recognition of the most representative frequenciesof each area to separate the classes. Some routines to identify the frequencies were developed inMatlab and the classification of the images was done with the software tools MultiSpec and PRTools.Palavras-Chave: Textura; Sensoriamento Remoto; Classificação Textural; Filtro de Gabor.1. IntroduçãoO Brasil iniciou os investimentos na capacitação de profissionais e no desenvolvimento de infraestruturaque viabilizasse a aplicação de técnicas de Sensoriamento Remoto (SR) ao final da década de1960. Recentemente, com a disponibilidade de novos sensores que permitem a exploração de um maiornúmero de faixas espectrais, novas possibilidades de aplicação das técnicas de SR têm surgido. Noentanto, cabe observar que o tipo de sensor a bordo no satélite e os diferentes índices de refletância daenergia eletromagnética (REM) dos objetos estudados, interferem nos tipos de dados obtidos.No processo de análise e extração de características, pode-se utilizar algoritmos de classificação/segmentação, os quais particionam a imagem em regiões correspondentes às áreas de interesse. Umaregião pode ser definida como um conjunto de pixels contíguos, com espalhamento bidimensional, queapresentam uniformidade em relação a determinado atributo, como textura, por exemplo [5]. Nossoobjetivo é explorar o atributo textura que pode ser definido como uma das características maisimportantes para classificar e reconhecer objetos e cenas. O atributo textura pode ser caracterizado porvariações locais em valores de pixels que se repetem de maneira regular ou aleatória ao longo do objetoou imagem e oferece a impressão visual de rugosidade 1 ou suavidade de uma superfície [3].Para a extração de características de textura optamos por uma abordagem espectral, a qual tentaidentificar uma periodicidade na imagem, através da análise dos picos de alta energia no espectro [3], oque pode ser obtido com a aplicação da Transformada de Fourier. Assim, neste estudo, utilizou-se aTransformada de Fourier aplicada sobre toda a imagem, para análise das componentes resultantes, umavez que ela tende a localizar informações sobre padrões anteriormente globalizados na imagem.1 Rugosidade é definida em termos da variação estatística da altura e largura das irregularidades da superfície.

Classificação de imagens é uma das principais tarefas envolvidas em um sistema de visãocomputacional. Seu objetivo é obter informações suficientes para distinguir diferentes objetos deinteresse. No presente estudo, foram utilizados classificadores baseados em características de textura,obtendo informações sobre a distribuição espacial das variações de tonalidade de um objeto. Osalgoritmos de classificação analisam individualmente os atributos numéricos de cada pixel na imagem,caracterizando assim uma abordagem quantitativa, com o intuito de encontrar as fronteiras de decisãoentre as classes – água, vegetação e região urbana – [5]. Durante o processo de classificaçãosupervisionada, o usuário indica amostras representativas para cada classe que deve ser identificada naimagem. Através de funções e parâmetros estatísticos, o algoritmo define a que classe cada pixelpertence, ou seja, todos os pixels que apresentam características semelhantes daquelas apresentadaspelos pixels indicados.A segmentação de imagem é uma técnica de agrupamentos de dados, na qual somente as regiõesespacialmente adjacentes podem ser agrupadas. Para realizar a segmentação é necessário definir olimiar de similaridade que é o limiar mínimo, abaixo do quais duas regiões são consideradas similares eagrupadas em uma única região; e o limiar de área que é o valor de área mínima, dado em número depixels, para que uma região seja individualizada [2].A interpretação visual, a segmentação e a classificação são métodos importantes e complementares,que freqüentemente são usados de forma combinada visando obter os melhores resultados na tarefa deextração de informação em imagens. [1]2. MetodologiaNeste estudo, a extração das características de textura nas diferentes regiões de uma imagem érealizada por um processo de filtragem seletiva. Dentre as diversas alternativas, utilizamos os filtros deGabor [6], pois são altamente eficientes no processo de análise de textura a partir de freqüênciasespaciais, simulando algumas características do sistema visual humano.Os filtros de Gabor [6], [7], apresentam um bom desempenho na análise de textura, por terem acapacidade de caracterizar um sinal simultaneamente nos domínios temporal e das freqüências, que sãolimitados pela relação de incerteza conjunta, ou principio de Heisenberg:( ∆t)( ∆ω) ≥ 1/ 4πonde, ∆τ e ∆ω representam incerteza nos domínios temporal e das freqüências respectivamente. Gabordeterminou a família de funções que atingem este limite inferior de incerteza conjunta, como sendo:⎡21 ⎛ 1 ⎞ ⎤f ( t ) = exp⎢−⎜ ⎟ + iωt⎥(1)⎢⎣2 ⎝ σ ⎠ ⎥⎦Essencialmente, a função determinada por Gabor descreve uma onda senoidal com freqüênciaω modulada por um envelope Gaussiano com duração σ. O conjunto original de filtros proposto porGabor foi estendido para o caso bidimensional por Daugman [7], podendo, portanto ser aplicado paradados do tipo imagem. O filtro bidimensional é representado pela função:⎧2⎡2 ⎫1 ⎪ 1 ⎛ x ⎞ ⎛ y ⎞ ⎤⎪f ( x, y,u0 , v0, σx, σy) = exp⎨−⎢⎜⎟ ⎜ ⎟ ⎥⎬exp{ 2πi( u0+ v0)}2x y ⎪ 2 ⎢+(2)πσ σxy⎥⎩ ⎣⎝ σ ⎠ ⎝σ⎠ ⎦⎪⎭A figura 1 no domínio das freqüências é especialmente ilustrativa do comportamento dacomponente real de (2). Apresenta duas exponenciais Gaussianas centradas na freqüência selecionada2 2(u 0 , v 0 ) e (-u 0, -v 0 ), com variâncias iguais a / σ e / σ .1x1y

Figura 1: Componente real da função de Gabor no domínio espacial e no domínio das freqüências respectivamente.A abordagem adotada neste estudo consiste das seguintes etapas: seleção de áreas representativasde cada classe; identificação das freqüências espaciais mais representativas de cada classe; seleção dasfreqüências mais adequadas para fins de separação das classes; construção de filtros Gabor adequados acada uma das freqüências selecionadas; convolução de cada filtro com a imagem, gerando um númeroigual de imagens filtradas que poderiam ser denominadas “bandas texturais”; classificação da imagemusando as “bandas texturais” e análise da performance da metodologia proposta.3. ExperimentosA partir de imagens obtidas do satélite Landsat [8], utilizando-se o software MATLAB 7.0 paraWindows, foram selecionados um conjunto de 80 amostras de 128 x 128, representativas de cadaclasse: água – 15 imagens –, vegetação – 28 imagens – e região urbana – 37 imagens –. Com opropósito de conhecer as freqüências mais representativas em cada uma das respectivas classes,visando tentar identificar quais destas freqüências formam as chamadas “bandas texturais” para definiros Filtros Gabor, primeiramente aplicou-se a Transformada de Fourier nas amostras. Aplicando ummapa de cores, que auxilia na identificação visual das freqüências encontradas isoladamente nasamostras, constatamos que a água é representada em vermelho, correspondente as baixas freqüências, avegetação em azul, correspondente as médias freqüências e a área urbana em verde, identificando asaltas freqüências. A figura 2 ilustra este processo com um grupo de amostras de cada classe quedesejamos identificar.(a) Água (b) Vegetação (c) Região urbanaFigura 2: Amostras da classe (a) água, (b) vegetação e (c) região urbana e suas respectivas freqüências obtidas com a TFNo entanto, ao aplicar a Transformada de Fourier em imagens contendo diversas paisagens oumesmo um filtro circular, conforme mostrado nas figuras 3 e 4, usando os limiares identificados a partirda TF nas amostras, verificou-se que o resultado final varia consideravelmente, dependendo dascaracterísticas da imagem. Devido às dificuldades em identificar as freqüências ideais para gerar asbandas texturais, utilizando apenas a TF, optou-se por aplicar uma análise das energias e novamentenotou-se que as distribuições das energias no espectro também variam sensivelmente dependendo dotipo da imagem e região que a imagem representa, por exemplo.Para um conjunto de treinamento de imagens com características semelhantes, o processo funcionasatisfatoriamente, ou seja, é possível identificar as freqüências a partir da aplicação de Fourier paraformar as “bandas texturais” e gerar os filtros Gabor, porém se o conjunto de treinamento apresentarcaracterísticas muito distintas, o processo não apresenta resultados satisfatórios e mesmo usando umconjunto de treinamento com características semelhantes, ao aplicar o processo em imagens distintas osresultados variam muito e algumas vezes são satisfatórios e outras não. Para realizar este estudo um

anco com 120 imagens foi usado, contendo imagens de SR registradas pelo satélite Landsat das trêsclasses separadamente e imagens englobando todas as classes. A dificuldade em obter resultadosdefinitivos reside no fato de que o comportamento espectral dos objetos varia consideravelmente, poisa caracterização de como e de quanto um objeto reflete de REM, influencia nos resultados.Figura 3: Separação da classe água em imagem do Rio,obtida através do satélite Landsat.4. ConclusõesFigura 4: Separação da classe água em imagem daArgentina, obtida através do satélite Landsat.Nossa proposta foi aplicar um método para classificação supervisionada de imagens digitais, combase no atributo textura, caracterizando as classes texturais presentes na imagem, pelas freqüênciasespaciais mais representativas identificadas nas amostras de cada classe. O desenvolvimento de rotinaspara análise das imagens em MATLAB 7.0, provou ser um processo demorado, justificando assim ouso do Multispec [9] e PRTools [10], para obter resultados preliminares. Notou-se que há grandedificuldade para a separação das freqüências que representam cada classe de maneira única, poisdependendo da rugosidade da textura, as classes se entrelaçam, dificultando a geração dos filtros Gabor.Pode-se afirmar que ao utilizar imagens com características semelhantes, o método apresenta resultadossatisfatórios, porém torna-se restritivo. Conclui-se que em imagens de sensoriamento remoto há muitasparticularidades que devem ser consideradas. Cada elemento possui características próprias e não hácomo prever todas as possibilidades ou tentar elencá-las, relacionando-as a possíveis padrões emimagens orbitais. Assim, estar preparado para conviver com estas limitações e extrair dos produtos desensoriamento remoto o máximo de informação confiável, não é uma tarefa trivial.5. Referências[1] Novo, Evlyn Márcia L. M., Ponzoni, Flávio Jorge. Introdução ao Sensoriamento Remoto. INPE – InstitutoNacional de Pesquisas Espaciais, São José dos Campos, 2001[2] Soler, Luciana de Souza Soler. Detecção de Manchas de Óleo na Superfície do Mar por meio de Técnicas deClassificação Textural de Imagens de Radar de Abertura Sintética (RADARSAT-1)[3] Nascimento, João Paulo R., Madeira, Heraldo M. F., Pedrini, Hélio. Classificação de Imagens UtilizandoDescritores Estatísticos de Textura. Universidade Federal do Paraná, Anais XI SBSR, 2003.[4] Mello, Eliana M. K., Moreira, José C., Santos, João R., et al. Técnicas de Modelo de Mistura Espectral,Segmentação e Classificação de Imagens TMLANDSAT para o Mapeamento do Desflorestamento daAmazônia. INPE-Instituto Nacional de Pesquisas Espaciais, Anais XI SBSR, 2003.[5] Silva, Marcelino Pereira dos Santos. Mineração de Dados em Bancos de Imagens. INPE, Monografia doExame de Qualificação do Doutorado em Computação Aplicada, 2003. São José dos Campos.[6] D. Gabor, Theory of Communication, Journal of the Institute of Electrical Engineers, v.93,pp.429-457, 1946.[7] J G. Daugman, Uncertainty Relation for Resolution in Space, Spatial Frequency and Orientation Optimizedby Two-Dimensional Visual Cortical Filters, Journal of Optical Society of America, v.2, Nº7, pp.1160-69,1985.[8] LANDASAT 7, http://landsat.gsfc.nasa.gov/[9] D. Landgrebe, Multispec, 2003, http://gcmd.na-sa.gov/records/MultiSpec.html[10] Prtools, Duin – Universidade de Delft, 2005, http://www.prtools.org.