Professional Documents
Culture Documents
Poos de Caldas
2011
Alice Marcondes dos Reis
Poos de Caldas
2011
Alice Marcondes dos Reis
2
_____________________________________________________
Prof. Dr. Mrcio Leandro Gonalves (Orientador) PUC Minas
_____________________________________________________
Profa. Msc. Luciana De Nardin
_____________________________________________________
Profa. Dra. Snia Maria Barros B. Correa
AGRADECIMENTOS
Agradeo a Deus, o Criador, sem o qual o elemento essencial deste trabalho no existiria. Obrigada,
Senhor!
Agradeo principalmente minha famlia, meu pai Juvenil, minha me Joziane, minha irm Cristiane,
minhas avs Arlete e Gilda e minha tia Luci, que me apoiaram em todos os momentos da vida e sem os
quais no seria possvel realizar o sonho da graduao.
Agradeo ao meu noivo Rafael pelo carinho, apoio e pacincia nos momentos mais difceis. E a sua
famlia, por ter estado presente todos esses anos.
Agradeo ao meu orientador, Prof. Dr. Mrcio, por todo auxlio, instrues e pacincia nos momentos
de maiores dificuldades deste trabalho.
Agradeo aos professores da graduao em Cincia da Computao, que transmitiram todos os
conhecimentos necessrios para chegar concluso deste trabalho.
Agradeo as minhas amigas de longa data, Mariana, Silvia e Priscila, pela presena, apoio e momentos
de descontrao nessa jornada.
Agradeo aos meus amigos e colegas de faculdade, George, Guilherme, Bruna, Danilo, Leonardo, que
estiveram presentes em vrios momentos nestes anos de faculdade e foram fonte de energia e apoio
durante este caminho.
RESUMO
Os Sistemas de Sensoriamento Remoto utilizados atualmente esto produzindo cada vez mais
imagens do planeta Terra, tendo como funo principal coletar dados precisos sobre a superfcie do
planeta. Devido a este alto volume de dados, no tem sido possvel obter informaes das imagens a
olho nu de forma a produzir conhecimento til e aplicvel. Dentro deste contexto, surgem as solues
da computao para o reconhecimento das imagens, produzindo informao e conhecimento que
podem ser utilizados em diversas outras reas. Este trabalho apresenta a aplicao dos Mapas Auto
Organizveis de Kohonen (Self-Organizing Map - SOM) na classificao no supervisionada de
imagens de sensoriamento remoto e prope a construo de um software utilizando a linguagem Java
que seja capaz de reconhecer padres em imagens de satlite atravs do SOM.
ABSTRACT
The Remote Sensing Systems in current use produce a lot of images from Earth, and their main
goal is to collect precise information on the planets surface. Because of this high volume of data, it is
not possible to get information from these images by just looking at it and produce useful and
applicable knowledge. In this scenario, computer solutions are proposed for image recognition, in order
to allow the generation of information and knowledge that can be used in other fields. This work
presents the Kohonen Self Organizing Map Application as a solution for the non-supervised
classification of remote sense images and it proposes programming a software in Java language that is
able to do recognize patterns of satellite images through SOM.
Key-words: Remote Sensing, Pattern Recognition, Kohonen Self Organizing Maps, Neural Networks.
LISTA DE FIGURAS
Figura 1. O Mar de Aral, fotos de satlite em 1989 e em 2008................................................14
Figura 2. Demonstrativos da Lei de Snell (Reflexo e Refrao)............................................19
7
LISTA DE SIGLAS
SUMRIO
1.
INTRODUO..........................................................................................................................11
1.1
1.2
1.3
2.
Justificativa...........................................................................................................................12
Objetivos..............................................................................................................................13
Organizao do Trabalho......................................................................................................14
3.
REDES NEURAIS......................................................................................................................35
3.1
3.2
3.3
4.
5.
Introduo.............................................................................................................................35
Topologias............................................................................................................................37
Processo de Aprendizagem...................................................................................................38
6.
CONCLUSO............................................................................................................................55
REFERNCIAS BIBLIOGRFICAS..............................................................................................57
1.
INTRODUO
A evoluo tecnolgica que a humanidade tem promovido nos ltimos sculos tem expandido
horizontes acerca do meio no qual o homem vive. A rea da computao uma rea relativamente
nova, mas que promoveu muitos avanos e se tornou um recurso indispensvel da vida moderna.
Seguindo esta linha de raciocnio, esta evoluo tecnolgica tem sido muito utilizada em uma
rea que sempre atraiu a ateno do homem, o meio ambiente no qual vive. Antes, o homem se
conformava com as catstrofes naturais. Hoje, o homem procura evit-las ou prev-las utilizando a
tecnologia.
Surgiram, ento, os sensores remotos, capazes de captar estmulos do meio ambiente e
transform-los em dados que o homem pode entender e utilizar. Os sensores remotos foram tambm
evoluindo, e cada vez mais sinais do ambiente externo esto sendo captados para estudo. Os sistemas
de radar foram os primeiros a serem utilizados durante a Segunda Guerra Mundial e a partir de 1960
passaram a ser utilizados como sistemas de sensoriamento remoto, poca na qual o termo comeou a
ser utilizado na literatura cientfica. Ainda neste perodo ps Guerra, com a corrida espacial entre as
duas potncias hegemnicas da poca (Estados Unidos e Unio Sovitica), as primeiras plataformas
orbitais foram enviadas para aquisio de imagens utilizando sensores a bordo de satlites (NOVO,
2008).
Mas no basta captar as imagens, preciso produzir conhecimento til atravs delas. Graas
evoluo destes sensores, a quantidade de imagens obtidas diariamente da superfcie terrestre e seus
diversos elementos tm aumentado, dificultando o trabalho de obter conhecimento sobre essas imagens.
Mais uma vez, a computao prope uma soluo vivel para tratar as imagens, utilizando
ferramentas capazes de reconhecer padres e imagens e realizar a classificao correta, auxiliando
assim na obteno de informaes relevantes a cerca das imagens obtidas atravs de sensores remotos.
11
1.1
Justificativa
O homem acreditou durante muito tempo estar submetido ao seu hbitat, no apenas por
dependncia, mas tambm por temor, pois era impossvel impedir que grandes catstrofes devastassem
cidades, levando a morte de muitas pessoas. A expectativa de vida era baixa, no s devido s
catstrofes ambientais, mas devido tambm a outros tipos de problemas, como doenas incurveis e
epidemias.
Hoje, o homem capaz de prever eventos como erupes de vulces, terremotos, tsunamis e
furaces a fim de salvar o maior nmero de vidas possvel. Mas, continua sujeito aos efeitos de sua
prpria devastao. Atravs de sua prpria agressividade e arrogncia, o homem nem sempre capaz
de visualizar os prprios erros.
A situao de abuso. A humanidade est abusando da Terra, e sua resposta bem clara:
aquecimento global, catstrofes ambientais imprevisveis, destruio e morte. Pergunta-se o
desaparecimento do Mar de Aral, por exemplo, poderia ter sido evitado. A Figura 1 mostra o Mar de
Aral em fotos de satlite de 1989 e 2008. O Mar de Aral era um dos maiores lagos de gua salgada do
mundo, at que a explorao desenfreada dos rios que o formam resultaram na considerada maior
catstrofe ambiental da atualidade. No h certezas quanto possibilidade de recuper-lo, e o
ecossistema do Mar de Aral j foi severamente afetado, com a morte dos peixes, invernos cada vez
mais severos e veres secos, e toda a regio do lago est em processo de desertificao.
12
13
1.2
Motivao
1.3
Objetivos
1.4
Organizao do Trabalho
14
Este documento est dividido em seis captulos, sendo que no presente captulo podem ser
encontradas informaes acerca do contexto do trabalho, bem como o desenvolvimento do mesmo,
principais assuntos e objetivos.
O captulo 2 traz um resumo sobre a rea de Sensoriamento Remoto, desde a poca da Segunda
Guerra Mundial, quando os sistemas sensores eram baseados em aeronaves e fotos pancromticas
(preto e branco) at os dias atuais, com o advento dos satlites e sensores imageadores modernos. Este
captulo tambm resume quais so as principais tcnicas disponveis para fazer a anlise e catalogao
das imagens geradas por sensores remotos, bem como um resumo dos principais mtodos para
classificao e reconhecimento de padres em imagens de sensoriamento remoto.
O captulo 3 contm informaes sobre as redes neurais, os sistemas baseado em aprendizagem
biolgica e de mtodos de classificao de padres que podem ser utilizados para reconhecimento de
imagens.
O captulo 4 contm informaes sobre os Mapas Auto Organizveis de Kohonen, histrico,
funcionamento, caractersticas, treinamento e propriedades.
O captulo 5 tem como principal objetivo fornecer informaes sobre a construo de um
software em Java que utiliza Mapas Auto Organizveis de Kohonen para classificao de imagens de
sensoriamento remoto. Detalhes importantes, como a construo do software, funcionamento e
resultados obtidos podem ser encontrados nesta sesso.
O captulo 6 contm as principais observaes acerca do trabalho, como as dificuldades
encontradas, objetivos alcanados, falhas, propostas de continuidade e concluses acerca dos resultados
obtidos.
15
2.
2.1
Introduo
16
Aplicao
Previso do tempo a um determinado prazo,
Mapeamento Climtico, etc.
Procura de jazidas minerais (grande utilizao), estudos
de aproveitamento de solo, etc.
Previso de safras, estudos de contaminao por pragas,
etc.
Espionagem, teleguiagem de msseis, controle de
trfego areo e martimo, etc.
Inventrio e projees de recursos hdricos, pesca e
salinas.
Pesquisas sobre o equilbrio ecolgico no planeta.
Inventrio e planejamento para controle do aumento
demogrfico, cidades, etc.
Tabela 1: Principais Aplicaes do Sensoriamento Remoto
Fonte: NOVO, 2008.
17
2.2
Como j foi dito anteriormente na introduo deste captulo sobre o funcionamento das tcnicas
de sensoriamento remoto, os sensores captam as mudanas provocadas por objetos no campo
eletromagntico. Para isso, preciso que uma fonte de radiao eletromagntica atinja os objetos.
A radiao eletromagntica se origina a partir da transformao de outras formas de energia,
como energia cintica, qumica, trmica ou nuclear. No caso da superfcie terrestre, a principal fonte de
radiao eletromagntica o Sol. A produo de energia pelo Sol ocorre pela reao entre tomos de
hidrognio; de modo simplificado, implica na converso de quatro tomos de hidrognio em um tomo
de hlio e energia, na forma de ftons e neutrinos (NOVO, 2008). A radiao gerada por essas reaes
que ocorrem no interior do Sol se propagam na forma de onda ou partculas em todas as direes. Os
ftons resultantes das reaes qumicas na superfcie solar chegam superfcie terrestre, embora no
tenham a mesma intensidade que possuem no Sol, e esto sujeitas aos efeitos da atmosfera terrestre e
seus componentes. Quando a luz solar incide sobre um objeto na superfcie terrestre, ocorre a reflexo e
a refrao da luz.
A luz considerada uma onda e ser absorvida pelo objeto (refratada) de acordo com o ndice
de refrao do material sobre a qual a luz incidiu. Este ndice varia de acordo com a composio
qumica dos materiais e do comprimento de onda que incidiu sobre ele. A lei da refrao (lei de Snell) e
as equaes de Maxwell prevem a mudana de velocidade de propagao da onda ao atravessar meios
de diferentes densidades (INPE, 2009).
O conjunto de ondas eletromagnticas que compem o campo de radiao de um determinado
objeto chama-se espectro eletromagntico. Atravs da decomposio da luz branca, ao incidi-la sobre
um prisma, descobriu-se que a luz branca refratada segundo a lei de Snell e decomposta em vrias
cores, devido a comprimentos de ondas diferentes.
A radiao produzida pelos objetos possui tambm diferentes polaridades e o estado de
polarizao da radiao incidente e refletida so de grande importncia para o sensoriamento remoto
das propriedades da superfcie terrestre, fornecendo informaes extras que auxiliam na determinao
de propriedades geomtricas dos objetos da superfcie (NOVO, 2008).
18
A prpria Terra pode ser considerada uma fonte de radiao eletromagntica, que pode ser
representada por um corpo negro, que absorve toda a energia que nela incide e tambm emite toda a
energia absorvida. Aqui, tm-se a teoria de Max Planck, que diz que a radiao total de um corpo negro
determinada atravs de sua temperatura; quanto maior a temperatura, maior a quantidade de energia
emitida pelo corpo, podendo at tornar-se incandescente. Essa energia que deixa o corpo conhecida
por excitncia.
A figura 2 mostra como a excitncia se propaga de acordo com o corpo. Um corpo exposto a
radiao eletromagntica tende a emitir excitncia, que a energia emitida pelo corpo, que pode at
mesmo ser incandescente.
Figura 2: Excitncia
Fonte: UNESP, 2011.
A regio de energia refletida do espectro tida pela regio onde a energia detectada originada
da reflexo da energia solar pelos objetos da superfcie.
O espectro eletromagntico solar, por sua vez, dividido em regies, sendo elas denominadas:
visvel, infravermelho prximo e de ondas curtas, infravermelho termal e microondas. H diversos
tipos de sensores, e cada um deles pode atuar em uma ou mais regies do espectro solar.
A figura 3 mostra a decomposio do espectro visvel de radiao solar, de acordo com o
comprimento de onda emitido. Como dito anteriormente, o espectro eletromagntico solar dividido
em regies, e a regio visvel do espectro dividida nas cores que o homem consegue ver a olho nu.
19
2.3
Sistemas Sensores
Os sensores so os grandes responsveis por captar a energia proveniente dos objetos e guardlos em um registro, que pode ser uma imagem, ou mesmo um grfico. O sensor pode degradar o sinal
recebido, para isso, so necessrios algoritmos de correes adequados situao.
Os sistemas sensores so classificados de acordo com suas caractersticas, entre as quais temos
as geomtricas, espectrais e radiomtricas.
As caractersticas geomtricas definem a qualidade geomtrica da imagem adquirida
relacionada posio e forma no terreno. As caractersticas radiomtricas, por sua vez, definiro a
capacidade do sensor de diferenciar os objetos em evidncia de acordo com as diferenas de energia
que refletem ou emitem, e as caractersticas espectrais referem-se s regies do espectro
eletromagntico que o sensor capaz de operar. Outros dados que podemos obter dos sensores a
resoluo espacial, a resoluo espectral e a resoluo radiomtrica (INPE, 2009).
20
A resoluo espacial especifica o campo de visada do sensor, ou seja, quanto em uma medida de
distncia, como metros ou centmetros, captado por ele a cada leitura. No caso dos sensores pticos,
por exemplo, a resoluo espacial depende do campo de visada do sensor, que seria a largura da faixa
de terreno coberta pelo sensor, e o campo de visada instantneo do sensor, que determina a espessura da
largura de faixa captada pelo sensor, em outras palavras, a altura. O poder de resoluo do sistema
ptico tambm um critrio muito importante na classificao de um sistema sensor (INPE, 2009).
A resoluo espectral a capacidade do sensor de captar e diferenciar intensidades do sinal de
retorno (resoluo radiomtrica).
A resoluo radiomtrica definida pela capacidade do sensor em diferenciar variaes no nvel
de energia que deixa a superfcie do alvo, sendo que a energia pode ser do tipo refletida, emitida ou
retro-espalhada do alvo.
Para o critrio fonte de energia, possvel classificar os sensores em ativos e passivos.
Os sensores passivos detectam a energia solar refletida ou emitida pelos objetos da superfcie
terrestre, dependendo assim de uma fonte de radiao externa para captar a radiao do objeto de
interesse (NOVO, 2008). Dentro ainda dos sensores passivos, existem os sensores pticos, devido a
possurem em sua constituio espelhos e lentes, e h tambm os radimetros de microondas, que
operam na regio de microondas e utilizam-se principalmente de antenas parablicas refletoras como
componente bsico de coleta da radiao.
A figura 4 mostra o funcionamento de um sensor passivo, que depende da radiao solar para
captar informaes sobre o objeto que observa. O sol emite a radiao, que recebida e refletida por
um dado objeto. O sensor passivo capaz de captar a energia emitida por este objeto.
21
Os sensores ativos so assim conhecidos por produzirem sua prpria radiao. Entre os
exemplos, h os sistemas radares e os lasers. Os lasers operam na regio de energia refletida. H
tambm os sensores termais, que operam na regio conhecida por infravermelho prximo. Tambm
possvel classificar os sensores como imageadores e no-imageadores.
A figura 5 mostra o funcionamento de um sensor ativo, capaz de emitir radiao prpria para
captar informaes do objeto em observao.
22
24
2.4
fatores, que para um objeto fora do laboratrio seriam diferentes. Observar o comportamento de um
objeto em um laboratrio fundamental para entender suas reaes quando o mesmo objeto est em
campo. Muitas vezes, um dado objeto observado em laboratrio tambm observado em campo, pois
em campo muitas outras variveis so acrescentadas para determinar seu comportamento espectral.
O nvel de aquisio de dados de aeronave mais utilizado para dar destaque a objetos que
foram observados a nvel orbital, mas que no puderam ser devidamente identificados, necessitando
ento de uma observao mais concisa (INPE, 2009). O nvel de aeronave tambm possui altos custos,
por isso sua utilizao s feita quando necessria. Esse tipo de imagem tambm muito utilizado
quando h necessidade de avaliaes rpidas sobre danos causados por desastres, como enchentes e
incndios, e danos causados pelo homem, como desmatamentos, queimadas, desertificao, etc.
H tambm o nvel orbital, que se refere a sensores colocados em plataformas que esto na
rbita terrestre. H plataformas tripuladas, como as espaonaves da srie Gemini e os nibus espaciais,
e plataformas no tripuladas, que so os satlites. Os primeiros satlites foram utilizados em aplicaes
meteorolgicas, pois por no serem tripulados, podiam permanecer mais tempo no espao sendo apenas
monitorados. O objetivo de chegar a Lua, durante a Guerra Fria, foi um grande impulsionador para a
existncia de misses tripuladas, e assim foi possvel obter-se as primeiras imagens orbitais da Terra.
Embora as primeiras misses no tivessem como principal interesse o Sensoriamento Remoto, logo se
percebeu que os satlites e as misses espaciais poderiam trazer grandes benefcios para essa rea.
Hoje, h diversos satlites na rbita terrestre, e so classificados de acordo com sua aplicao. H os
satlites ambientais (meteorolgicos e oceanogrficos), satlites de recursos naturais e satlites de
aplicaes hbridas. A principal diferena entre os satlites meteorolgicos e os demais, que os
satlites meteorolgicos possuem rbita geossncrona, ou seja, so posicionados no Equador e sua
velocidade angular igual velocidade de rotao da Terra. Os sensores em um satlite de aplicao
meteorolgica observam constantemente a mesma rea de superfcie terrestre. Os demais satlites, de
aplicaes no metereolgicas, possuem rbitas polares que permitem o recobrimento de toda a
superfcie terrestre, e no somente da superfcie do Equador.
2.5
possvel da realidade captada. Isso ocorre nos sistemas detectores em satlite principalmente devido
curvatura da Terra.
H ainda muitos outros tipos de recursos que so aplicados as imagens de sensoriamento
remoto, todos com o mesmo objetivo de facilitar tanto a anlise visual quanto a digital no momento de
adquirir informaes relevantes acerca das imagens.
2.6
Classificar uma imagem digital de sensoriamento remoto para extrao de informaes consiste
no ato de analisar quantitativamente suas propriedades numricas. Em outras palavras, atribuir
significado a um pixel em funo de suas propriedades numricas, e dar a ele um rtulo de acordo com
suas propriedades espectrais ou espaciais (NOVO, 2008). Cada pixel da imagem deve ser representado
por coordenadas associadas ao seu nvel digital em cada uma das bandas, dependendo diretamente do
foco em um objeto da cena da imagem, ou seja, estar focado na cor do objeto.
A classificao feita de acordo com os nveis digitais de um pixel. O reconhecimento de
padres nada mais que agrupar pixels com bandas semelhantes em uma matriz de classes espectrais.
So muitos os mtodos utilizados atualmente para o reconhecimento e classificao de imagens,
os quais podem ser categorizados como mtodos supervisionados e no supervisionados.
A classificao supervisionada parte do princpio que cada classe espectral pode ser descrita a
partir de amostras fornecidas pelo analista. Em outras palavras, a classificao supervisionada trabalha
com o treinamento do algoritmo com amostras previamente conhecidas do terreno que ser analisado.
29
Os limites das classes devem ser definidos com base em um critrio de corte estabelecido em
funo do desvio padro em relao mdia de cada classe. O mtodo pode ser probabilstico, sendo as
amostras de cada classe descritas por uma funo de probabilidade no espao multiespectral, que
descrever a probabilidade de um dado pixel pertencer a uma classe em funo de sua localizao nesse
espao n-dimensional, formada pelas bandas espectrais utilizadas na classificao. A distribuio mais
utilizada a distribuio gaussiana, ou distribuio normal, embora existam outras mais eficientes
(NOVO, 2008).
Para obter um bom resultado utilizando o mtodo supervisionado, existe alguns procedimentos
que devem ser seguidos, entre eles escolher o melhor conjunto de bandas espectrais para o objeto de
interesse, a localizao precisa das reas que sero utilizadas para treinamento do algoritmo, a
determinao do relacionamento entre o tipo de objeto e o nvel digital das bandas escolhidas, a
extrapolao desse relacionamento para toda a cena e a avaliao da preciso da classificao realizada
(NOVO, 2008).
A seguir so apresentados os mtodos de classificao supervisionada mais utilizados.
Este mtodo baseado em amostras em tons de cinza. Para cada amostra fornecida pelo usurio
so analisados os nveis de cinza de cada uma das bandas, e ento um histograma construdo. O limite
inferior e superior deste histograma usado para limitar os nveis de cinza daquela classe, na banda
considerada. A partir desses limites e levando em considerao as n bandas utilizadas no processo,
construdo um paraleleppedo no plano n-dimensional (LAPOLLI, ALVES, BARCIA, 1993).
30
O conceito do Mtodo de Mquinas de Vetores de Suporte foi proposto em 1997 por Vapnik, e
consiste basicamente em uma implementao do mtodo de minimizao de risco estrutural para o
treinamento de classificadores (aprendizagem de mquinas). Por ter um bom desempenho equiparvel
aos das redes neurais, muito utilizado para reconhecer padres em grandes volumes de dados,
principalmente no reconhecimento de imagens (RODRIGUES , 2006).
sido submetido a amostras. Os pixels de uma imagem so alocados em classes espectrais semelhantes,
sem determinar previamente qual classe do terreno pertence cada pixel (NOVO, 2008).
Muitas vezes a classificao no supervisionada aplicada antes da classificao
supervisionada, auxiliando no reconhecimento dos padres, pois determina quantas classes espectrais
so encontradas em uma cena. Alm disso, h reajustes que precisam ser feitos posteriormente, pois
pode ocorrer de serem classificadas mais classes espectrais que o terreno realmente possui, e viceversa. A sesso a seguir descrever um tipo de mtodo no supervisionado.
1.1.1.6 K-Means
34
3.
REDES NEURAIS
3.1
Introduo
As redes neurais podem ser definidas, em poucas palavras, como sistemas computacionais que
tomam como inspirao o funcionamento do crebro humano (GONALVES, 1997). O crebro
humano a fonte de inspirao, pois possui elementos de processamento muito simples (neurnios),
com alto grau de interconexo e paralelismo em outras palavras o crebro pode ser considerado uma
mquina paralela e distribuda ao mesmo tempo.
As redes neurais possuem caractersticas mpares, e so totalmente diferentes dos mtodos
tradicionais de resoluo de problemas usando computao. Devido capacidade de aprendizagem
atravs de exemplos, as redes neurais so flexveis e se ajustam facilmente a novos ambientes. Tambm
so tolerantes a falhas, pois conseguem trabalhar com informaes imprecisas, explorando muitas
hipteses ao mesmo tempo devido caracterstica de trabalharem com processamento paralelo e
distribudo (GONALVES, 1997).
A principal aplicao das redes neurais a soluo de problemas que so considerados muito
complexos para serem resolvidos pelas tecnologias convencionais. Os princpios fundamentais das
redes neurais iniciaram-se com James, em 1890, que desenvolveu o primeiro modelo do neurnio. Mas
o assunto s foi retomado novamente em 1943, com McCulloch, que fez a primeira anlise matemtica
das potencialidades de redes de elementos processadores inspirados em neurnios. O intervalo entre
35
ambos os estudos grande devido prpria evoluo da tecnologia. Como j comprovado, guerras
trazem muita evoluo, e o trabalho de McCulloch foi reiniciado justamente na poca da Segunda
Guerra Mundial, poca a qual a maior tecnologia poderia trazer a vitria para o lado que a tivesse.
Todos os lados queriam decifrar as comunicaes em cdigo do inimigo, e data desta poca o primeiro
computador. McCulloch tambm tem o crdito por ter implementado funes lgicas finitas.
Seguindo a evoluo, Rosenblatt em 1958 criou o modelo matemtico de neurnio chamado
Perceptron, que foi contestado em 1969 por Minsky e Papert, que afirmaram que o Perceptron era
capaz somente de resolver problemas de soluo linear. Seguiu-se ento um perodo onde os estudos se
interromperam.
O modelo do Perceptron s foi retomado em 1986, graas a Rumelhart, Hinton e Willians, que
apresentaram o algoritmo de aprendizado Backpropagation, utilizando Perceptron com estrutura multicamadas, provando assim que o Perceptron tambm seria capaz de resolver problemas de soluo notrivial (GONALVES, 1997).
A Figura 7 detalha o modelo de Neurnio Perceptron, o mais utilizado atualmente. Dado um
espao de entrada de x elementos, cada um deles submetido a um peso w e a funo de ativao da
rede.
Este modelo extremamente simples, sendo formado pelas conexes de entrada que so dotadas
de sinapses, que modulam o sinal recebido. Cada modulao representada por um operador sinptico
e por um peso, em seguida submetido a uma funo de ativao (GONALVES, 1997). Esse processo
36
3.2
Topologias
Uma das necessidades bsicas para aproximar os modelos de neurnios artificiais de sua
inspirao biolgica foi a criao de diferentes tipos de topologia. Inicialmente, as arquiteturas
propostas tinham como lugar comum a utilizao de um grande nmero de neurnios simplesmente
densamente interconectados, e so classificados de acordo com o tipo de topologia adotada e o tipo de
aprendizagem (GONALVES, 1997).
Redes Feedforward: o exemplo mais clssico deste tipo de rede a Perceptrons Multicamadas.
A caracterstica principal que identifica essa rede a forma de propagao de sinal, que segue apenas
uma direo, iniciando pela camada de entrada com direo a camada de sada, passando por eventuais
camadas intermedirias. No existem conexes de realimentao, ou seja, a propagao do sinal
unidirecional.
A Figura 8 mostra o funcionamento de uma rede do tipo Feedforward, onde no h conexes de
realimentao e o sinal percorre a camada de entrada, camadas intermediria e chega a sada.
37
38
3.3
Processo de Aprendizagem
A caracterstica mais interessante das redes neurais, que vem incentivando estudos, a
capacidade de aprendizagem das redes, um importante recurso na resoluo de problemas antes
impossveis de serem resolvidos pela computao devido a sua complexidade.
O processo de aprendizagem de uma rede neural segue passos muito parecidos com o processo
biolgico. Consiste basicamente em ao e reao a rede estimulada pelo ambiente, sofre mudanas
em conseqncia do estmulo e fornece uma resposta ao ambiente, devido s mudanas que ocorrem
em sua estrutura interna (GONALVES, 1997).
Existem duas classificaes principais para o processo de aprendizagem de uma rede neural,
determinado de acordo com a maneira pela qual seus parmetros so ajustados. A aprendizagem pode
ser do tipo supervisionado ou do tipo no supervisionado.
A aprendizagem do tipo supervisionado, ou associativo, necessita de uma informao
primordial que possa ser utilizada como parmetro para respostas corretas. No caso da aprendizagem
do tipo no supervisionada, ou auto organizada, o processo de aprendizagem baseia-se em uma
adaptao da rede apresentada ao seu ambiente.
Para cada neurnio da rede, so determinados pesos, que faro parte do clculo da resposta para
um neurnio em especfico. A maioria dos modelos de redes neurais artificiais utiliza como parmetro
de treinamento o ajuste dos pesos das conexes entre os neurnios, de acordo com alguma regra de
modificao. A principal proposta desta regra reforar as conexes entre neurnios que se ativam
simultaneamente quando a rede estimulada (GONALVES, 1997).
39
Com a recuperao das teorias acerca das redes neurais, vrios tipos de propostas foram feitas.
Como dito anteriormente, dois paradigmas de aprendizado se destacam, as redes de aprendizagem
supervisionada e as redes de aprendizagem no supervisionada. No caso das redes de aprendizagem
supervisionada, necessrio um exemplo para treinamento da rede antes de obter respostas a outros
semelhantes, e no caso das redes de aprendizagem no supervisionada, a principal proposta trabalhar
com a adaptao da rede ao ambiente.
Kohonen props na dcada de 1980 um tipo de rede neural baseado em aprendizagem no
supervisionada, chamada inicialmente de mapas auto-organizveis, e que posteriormente ficou
conhecido como mapas auto-organizveis de Kohonen (SOM Self Organizing Map). Kohonen
certamente no foi o primeiro a explorar a abordagem no supervisionada, mas seu mtodo se tornou
amplamente conhecido por sua proposta, agrupar semelhantes em um mapa de neurnios.
O SOM um tipo de rede neural artificial que realiza um mapeamento de um espao de entrada
p-dimensional contnuo para um conjunto finito de neurnios organizados em um arranjo normalmente
unidimensional ou bidimensional (GONALVES, 2009). Em outras palavras, o SOM gera um mapa de
neurnios de acordo com as informaes de entrada que receber. O processo de aprendizagem do SOM
40
do tipo no supervisionado, como dito anteriormente, e tem sido utilizado em inmeras aplicaes,
como reconhecimento de padres, minerao de dados, processamento de sinais, modelagem biolgica,
etc. A maleabilidade do SOM e sua fcil implementao tem sido fatores que levam a sua adoo,
comparada a das demais redes neurais.
As propriedades do SOM sero tratadas mais adiante em uma sesso dedicada a elas.
4.1
41
4.2
42
4.3
Propriedades do SOM
importante ressaltar que o uso de redes neurais do tipo SOM tem algumas propriedades que o
tornam to atrativo para diversas solues. Entre as propriedades do SOM, podem-se citar trs,
segundo (GONALVES, 2009):
- Aproximao do espao de entrada: o mapa de neurnios do SOM fornece uma boa
aproximao para o espao de entrada. Em outras palavras, o objetivo bsico do SOM armazenar
informaes cruciais do espao de entrada utilizando para isso um conjunto menor de prottipos na
rede de neurnios, baseado em reduo de dimensionalidade e ou compresso de dados.
- Ordenao Topolgica: o SOM representando o espao de entrada ordenado
topologicamente, ou seja, a topologia inicial do espao de entrada mantida. Informaes que so
prximas no espao de entrada tendem a serem localizadas prximas umas das outras tambm no SOM.
- Casamento de Densidade: o SOM tende a refletir da distribuio de probabilidade dos dados
no espao de entrada. Em outras palavras as informaes mais freqentes no espao de entrada tendem
a ter uma porcentagem maior no SOM treinado.
5.
REMOTO
5.1
Introduo
O software proposto foi construdo utilizando-se a linguagem Java. Java uma linguagem
robusta, dinmica, orientada a objetos, que pode ser utilizada em diversas plataformas devido ao amplo
uso da mquina virtual Java, com verses disponveis para vrios sistemas operacionais, como
Windows, Linux e MacOS. Alm disso, Java possibilita a criao de interfaces amigveis com o
usurio, e possui diversas bibliotecas que auxiliam no caso de aplicaes multimdia. A possibilidade
de visualizar os resultados dos treinamentos do SOM tambm foi um fator importante para utilizar
Java, e comprovar que a linguagem pode ser utilizada em aplicaes de redes neurais.
5.2
Metodologia
A metodologia adotada para este trabalho segue os seguintes passos: fornecer a imagem
original, selecionar amostras, apresentar ao SOM, exibir o mapa de neurnios resultantes, escolher os
prottipos, realizar a classificao e exibir a imagem classificada. Esta metodologia pode ser melhor
exemplificada pela figura 11.
45
5.2.1
rede. A classe neurnios gera os pesos para a rede de neurnios, e a classe topologia por sua vez
organiza esses neurnios em uma rede, que ser submetida aos vetores de entrada. H uma classe
especfica para o treinamento, onde so determinados parmetros de treinamento, como o nmero de
iteraes e a taxa de aprendizagem, e onde tambm so executados os clculos para o neurnio
vencedor, a distncia euclidiana, ajuste de pesos da vizinhana, etc. A figura 12 a seguir demonstra o
diagrama de classes da aplicao.
47
- Redesenhar imagem: este processo, a ser ativado pelo usurio/operador de sistema dever
reconstruir a imagem original com as classes espectrais da imagem segmentadas, demonstrando a
identificao dos padres na imagem original.
5.2.2 Amostragem
O primeiro passo para o treinamento do SOM foi a coleta de imagens produzidas por
Sensoriamento Remoto que pudessem ser submetidas no treinamento. Neste ponto, vale ressaltar que
diferenas entre as imagens refletem no treinamento da rede SOM. A resoluo espacial da imagem,
qualidade e nmero de classes espectrais interferem no treinamento da rede.
Neste estudo, as imagens foram submetidas pixel a pixel, e para cada treinamento as
peculiaridades da imagem foram levadas em conta.
5.2.3 Treinamento
Algumas consideraes devem ser levadas em conta em relao aos parmetros de treinamento
do SOM. Podemos dividir os parmetros entre aqueles que controlam a estrutura do mapa (dimenso,
tamanho, vizinhana e topologia do arranjo) e aqueles que controlam o treinamento (inicializao dos
pesos, apresentao dos padres, taxa de aprendizagem, raio e funo da vizinhana, nmero de
pocas), segundo (GONALVES, 2009).
Iniciando pelos parmetros que controlam a estrutura do mapa, a dimenso e o tamanho do
mapa so determinados antes do inicio do treinamento. No caso do presente trabalho, o tamanho do
mapa influencia diretamente no nmero de classes espectrais que sero identificados da imagem. Em
outras palavras, mapas bidimensionais com quantidades menores de neurnios tendem a excluir classes
espectrais menos significantes em imagens que apresentam maior variedade de classes espectrais. O
raio da vizinhana tambm alterado de acordo com o nmero de neurnios do mapa, pois nas
primeiras iteraes a tendncia que os raios sejam maiores, o que reflete nos clculos. A topologia
48
adotada para a experincia deste trabalho a topologia retangular, por ser prxima da topologia
original das imagens e pelas facilidades em trabalhar com este tipo de topologia. O padro topolgico
utilizado para compor a rede foram mapas de topologia retangular de 30x30 e 50x50 neurnios.
Quanto aos parmetros que controlam o treinamento, sabemos que determin-los no fcil, e
que h muitas literaturas na cincia que prope formas diferentes de escolher estes parmetros. A
inicializao dos pesos muito debatida; muitas literaturas propem a inicializao crescente dos
pesos, mas para este trabalho, a inicializao foi feita de forma randmica.
A apresentao dos padres foi feita transformando-se os padres de entrada em vetores, que
so apresentados seqencialmente a rede de neurnios de acordo com o nmero de iteraes proposto.
Tanto a taxa de aprendizagem como o nmero de iteraes tambm devem ser alterados antes do inicio
do treinamento. A taxa de aprendizagem deve variar na escala de 0 a 1, e o nmero de iteraes
proposto neste trabalho foi de 100 a 500, sendo 500 o ideal proposto em muitos trabalhos sobre o SOM.
5.2.4 Classificao
- Compor a matriz final com a classificao: Com a matriz composta no passo anterior,
escolher cores para serem representadas e exibir a imagem original classificada.
5.3
Resultados Experimentais
Vamos agora analisar alguns resultados obtidos atravs da utilizao do software nas prximas
figuras.
A Figura 17 traz uma imagem mista, composta por rea urbana, vegetao e gua.
Figura 17. Imagem de teste contendo a verso original, mapas gerados e classificao. Fonte:
Imagem Original Banco de imagens do INPE.
Para o treinamento da Figura 17, o mtodo utilizado para amostragem foi a apresentao pixel a
pixel ao SOM. A dimenso da Imagem original de 380x380 pixels. A topologia retangular foi adotada
para o mapa de neurnios, formando uma grade de 30x30, representando um total de 900 neurnios. A
taxa de aprendizagem adotada foi de 0.07, e o nmero de pocas iteraes foi de 500. Nota-se que
as classes espectrais da imagem foram identificadas no mapa de neurnios, porm possvel verificar
que nem sempre a distribuio das classes foi preservada. Apesar deste problema, a imagem original foi
classificada, sendo a cor verde representante da vegetao, a cor vermelha as reas urbanas e a cor azul
as guas. No mapa de neurnios resultante possvel notar quais prottipos foram escolhidos para a
classificao final da imagem. Na classificao final possvel observar tambm que a cor cinza que
representam as reas urbanas, e a cor rosa que representam reas desmatadas, foram classificadas
50
como membros da mesma classe espectral, o que demonstra a necessidade de seleo de mais
prottipos e de um mapa de neurnios de maior tamanho para identificar corretamente as duas cores.
A Figura 18, que pode ser vista abaixo, tambm segue o padro da Figura 19, com elementos
como rea urbana, vegetao e gua. possvel observar que a vegetao presente em ambas as
imagens no possui textura, o que significa ausncia de florestas, so reas verdes constitudas por
vegetao rasteira e pasto.
Figura 18. Imagem de teste contendo a verso original, mapas gerados e classificao. Fonte:
Imagem Original Banco de imagens do INPE.
O treinamento da figura 18 ocorreu sobre os mesmo padres da figura 19. A imagem original
apresentada tem a dimenso de 420x420 pixels. A amostragem foi do tipo pixel a pixel, 500 iteraes,
taxa de aprendizagem de 0,07, mapa de neurnios 30x30, 900 neurnios em grade. Nota-se que o mapa
de neurnio resultante preservou as principais classes espectrais da imagem, embora a cor verde
aparentemente aparea em maior proporo. No mapa de neurnios resultante esto marcados os
prottipos selecionados para a classificao. A classificao resultante identificou a rea de gua, as
reas urbanas e identificaram tambm dois tipos de vegetao, uma de cor mais escura representada
pelo verde na classificao e uma vegetao de cor mais clara identificada pela cor vermelha na
imagem de classificao. Porm, a cor cinza, que identificou a rea urbana, tambm foi utilizada para
identificar a faixa de gua mais clara, o que aponta a necessidade de mais uma cor e pixels
51
representantes para classificar a imagem. O mesmo ocorre no caso da vegetao verde, de cor mais
clara, que em alguns pontos foi classificada como parte da cidade.
As imagens acima tm uma caracterstica em comum, tendo as classes espectrais bem definidas.
Alm disso, a resoluo de ambas prxima, e no h grande variao de classes espectrais, ambas
possuindo reas urbanas, reas de vegetao e rea de gua. A rea representada pela vegetao
apresenta a cor verde distribuda homogeneamente, ou seja, no h texturas. As prximas imagens a
serem analisadas possuem mais classes espectrais, com textura presente em reas de vegetao. A
Figura 19 a seguir demonstra a classificao no caso de texturas.
Figura 19. Imagem de teste com textura, mapa de neurnios e classificao resultante. Fonte:
Imagem Original Banco de imagens do INPE.
A Figura 19 acima utiliza o mesmo padro de treinamento das figuras anteriores. A dimenso da
imagem original de 330x330 pixels. A apresentao das amostras foi feita pixel a pixel, a topologia
do mapa retangular, de formato 30x30, 900 neurnios. A taxa de aprendizagem adotada foi 0.07 e o
nmero de iteraes 500. possvel verificar que o mapa de neurnios resultante identificou as classes
espectrais da imagem, porm, no possvel garantir a identificao das texturas. Esta imagem foi
submetida mesma forma que as demais, porm, o treinamento submetendo janelas de pixel ao invs
de pixel a pixel poderia gerar resultados mais satisfatrios com a possibilidade de identificao das
reas com texturas. Na classificao, possvel visualizar os contornos da imagem, porm, reas de
textura e rio aparecem com a mesma cor, um sinal da dificuldade em classificar padres com textura.
Somado a isso, as pequenas reas urbanas da imagem foram classificadas junto a reas descampadas,
52
no permitindo sua visualizao delineada como nas imagens anteriormente analisadas. Verifica-se a
necessidade de mais cores para classificar a imagem, bem como mais exemplares do mapa de
neurnios para serem utilizados na classificao.
Na Figura 20 a seguir podemos visualizar mais um exemplo de imagem com texturas, alm de
ser uma imagem com a presena de mais classes espectrais.
Figura 20. Imagem de teste com textura, mapa de neurnios e classificao resultante. Fonte:
Imagem Original Banco de imagens do INPE.
O primeiro fator a ser analisado na Figura 20 a resoluo espacial. A dimenso original da
imagem de 510x510 pixels. A imagem possui mais classes espectrais que as demais, e o mapa de
neurnios gerado no foi capaz de identificar todas as classes espectrais; pode-se observar que a cor
preta, presente na imagem original, no foi identificada. Isso se reflete na classificao, pois embora
possamos identificar a posio do rio a cor preta na imagem este classificado com as cores mais
escuras dos prottipos selecionados. A classe melhor delineada nesta imagem so as reas
descampadas, de terra nua. Devido quantidade de classes espectrais da imagem original a
classificao da mesma exige mais amostras de pixels do mapa de neurnios, e mais cores para
classificar a imagem.
A partir dos resultados obtidos, possvel levantar alguns pontos importantes acerca da
classificao de imagens de sensoriamento remoto. O primeiro ponto diz respeito classificao pixel a
pixel. Embora seja eficiente no caso de imagens com pouca variedade de classes espectrais, seu
53
desempenho muito inferior em imagens com texturas e com variedade de classes espectrais. Esta
deficincia do treinamento pixel a pixel tende a ser agravar na medida em que a resoluo espacial das
imagens torna-se maior. A dimenso da imagem original tambm um fator a ser considerado; neste
trabalho todos os mapas de neurnios resultantes possuam a mesma dimenso, um bom modo de obter
outros resultados seria dimensionar o mapa de neurnios de forma a ser proporcional a imagem
original.
O tempo mdio do treinamento completo do SOM e classificao da imagem foi em mdia 30
minutos, utilizando um computador com processador Intel Core i5 de 2,53Ghz e 4GB de memria
RAM. Isso tende a diminuir de acordo com a evoluo do hardware, porm necessrio verificar
mtodos que acelerem o processamento matemtico envolvidos no treinamento do SOM.
O nmero de amostras a serem utilizadas do mapa de neurnios influencia a classificao, tendo
resultados satisfatrios para imagens com menos classes espectrais, o que no aconteceu no caso de
imagens com textura e com mais classes espectrais, identificando a necessidades de mais cores para
classificar a imagem e mapas de neurnios de maiores dimenses.
naturalmente gasta muito tempo para o processamento dos clculos, congelando momentaneamente a
tela do programa, gerando problemas no momento de redesenhar a tela apresentando resultados.
Quanto ao SOM, a principal dificuldade encontrada em sua implementao, alm dos clculos
j mencionados, foi preservar as suas propriedades. Em todos os casos, foi possvel fazer a
classificao de todas as classes espectrais das imagens em mapas de dimenso reduzida, a topologia
foi preservada, porm a distribuio proporcional das classes nem sempre foi mantida.
Apesar de Java ser uma linguagem conceituada, que disponibiliza diversos recursos para
aplicaes com interface amigvel com o usurio, sua utilizao para o SOM teve execuo lenta,
problema este que pode ser resolvido com a otimizao dos clculos e com a evoluo do hardware.
55
6. CONCLUSO
A utilizao dos Mapas Auto Organizveis de Kohonen como mtodo para classificao de
imagens de sensoriamento remoto produziu resultados satisfatrios. A unio do processamento prvio
de imagens, com o conhecimento das cincias da terra pode gerar informaes de amplo uso para
institutos de pesquisas, empresas que exploram recursos naturais, governos e instituies de ensino.
A construo de um software que possibilitasse este intercmbio de informaes entre diferentes
reas foi desafiante, e vrias melhorias e anlises foram identificadas.
O processamento da imagem em si requer uma capacidade de processamento poderoso por parte
do hardware utilizado. Isso ocorre porque, embora as redes neurais sejam uma soluo vivel para
diversos problemas que permanecem sem soluo, no so necessariamente mais rpidas que solues
tradicionais. Uma melhoria a ser feita no software neste caso seria alterar seus parmetros de forma que
fosse possvel utilizar processamento distribudo, ou seja, utilizar recursos de computao paralela para
execuo do software. A limitada capacidade de hardware dos equipamentos disponveis tambm
restringe o tamanho e a qualidade da imagem a ser processada; imagens grandes e de qualidade levam
tempo para serem processadas. Porm importante ressaltar que o desenvolvimento do hardware nas
ltimas dcadas foi o que colaborou o retorno dos estudos das redes neurais, pois o processamento
tornou-se vivel com o advento de hardwares poderosos e essa tendncia com certeza crescer nas
prximas dcadas.
Outro importante recurso que pode ser includo no software um banco de dados acoplado. Isso
possibilitaria que as informaes obtidas pela imagem fossem gravadas, podendo posteriormente
56
auxiliar em futuras comparaes entre imagens de um mesmo local. Inclusive, o software poderia ter
como adicional ser capaz de associar imagens de um mesmo local, atravs de Data Mining dentro do
banco de dados de informaes.
Quanto s redes neurais, o algoritmo utilizado baseado nos Mapas Auto Organizveis de
Kohonen, apresentou resultados satisfatrios relativo s imagens que foram submetidas para anlise. Os
mapas de neurnios gerados demonstraram o reconhecimento das classes espectrais das imagens a que
foram apresentados na maioria dos testes, porm no respeitou uma das propriedades do SOM a
manuteno da distribuio das classes espectrais. Alm disso, como o algoritmo utilizado submetia as
entradas da imagem pixel a pixel, seria vlido verificar o desempenho caso fossem utilizados janelas de
pixels a cada entrada para a rede.
Entre outros fatores a serem analisados, inclui-se testes com a taxa de aprendizagem e o
nmero de iteraes que ser realizado para cada imagem a ser processada, incluindo aqui a
possibilidade do operador do sistema decidir os valores para cada um. Alm disso, o mapa de neurnios
a ser gerado deve ser capaz de refletir todas as classes espectrais da imagem.
Posteriormente, a implementao de outros mtodos de classificao de padres, como o KMdias e at mesmo Redes Neurais do tipo MLP com Backpropagation forneceriam uma importante
base de comparao. Seria interessante que o sistema pudesse fazer o reconhecimento utilizando mais
de um mtodo e oferecer a possibilidade ao operador do sistema decidir qual mtodo utilizar, ou at
mesmo uma classificao hbrida.
A tarefa de compreender e aplicar as teorias relacionadas aos Mapas Auto Organizveis de
Kohonen possibilitou a visualizao da importncia das redes neurais para a computao. A
possibilidade de imitar o funcionamento biolgico do sistema nervoso central abrir caminho para
grandes avanos na computao, possibilitando maior integrao entre as demais reas de
conhecimento e at mesmo evoluo em sistemas informatizados, como os Robs. Diversas reas tm
adotado os sistemas de classificao de imagens informatizados como soluo para evitar erros, e ter
respostas e informaes concretas a cerca das imagens analisadas. Alm da classificao de padres em
imagens de satlite, reas como medicina, astronomia, geologia e biologia tem visto o auxlio da
computao como importantes recursos para avanos futuros.
57
REFERNCIAS BIBLIOGRFICAS
NOVO, Evlyn M. L. de Moraes. Sensoriamento Remoto - Princpios e Aplicaes. 3. Ed. So Jos
dos Campos: Editora Blucher , 2008.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Introduo ao Sensoriamento Remoto.
So Jos dos Campos: INPE, 2009. Disponvel em:
<http://www.agr.feis.unesp.br/hrsilva/sr_dpi7.PDF><http://www.dpi.inpe.br/spring/portugues/index.ht
ml>. Acesso em 15 de Outubro de 2009.
LAPOLLI, Edis Mafra; ALVES, Alceu Ribeiro; BARCIA, Ricardo Miranda. Classificao de
Imagens Digitais: comparao entre vrios mtodos. Anais do VII Simpsio Brasileiro de
Sensoriamento Remoto, 1993.
MLLER, Sonia I. M. G.; DALMOLIN, Quintino; ARAKI, Hideo. Comparao entre os mtodos de
mxima verossimilhana, distncia mnima e o mtodo de Fisher para reconhecimento de
padres em imagens coloridas. Bol. Cinc. Geod, Curitiba, v. 4, p. 3-13, 1999.
58
59
60