CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORES REMOTOS UTILIZANDO REDES NEURAIS AUTO-ORGANIZÁVEIS E MÉTODOS DE AGRUPAMENTOS HIERÁRQUICOS

Abstract

Este trabalho apresenta uma nova metodologia para a classificação não-supervisionada de imagens de sensoriamento remoto. Diferentemente dos métodos convencionais de classificação não-supervisionada, como o K-médias e o ISODATA, os quais se baseiam somente em técnicas de agrupamentos particionais, a metodologia proposta realiza a classificação automática de imagens através de uma abordagem inovadora empregando o Mapa Auto-organizável de Kohonen (SOM - Self-Organizing Map) em conjunto com um método de agrupamento hierárquico aglomerativo. O ponto chave do método proposto é executar o processo de análise de agrupamentos através de um conjunto de protótipos do SOM ao invés de trabalhar diretamente com os padrões originais da imagem. Essa estratégia reduz significativamente a complexidade da análise dos dados tornando possível a utilização de técnicas normalmente consideradas inviáveis para o processamento de imagens de sensoriamento remoto, como métodos de agrupamentos hierárquicos e índices de validação de agrupamentos. Através do SOM, o método proposto mapeia os padrões originais da imagem para uma grade de neurônios bidimensional procurando preservar a distribuição de probabilidade e a topologia dos mesmos. Posteriormente, um método de agrupamento hierárquico aglomerativo com restrições de conectividade é aplicado sobre a grade de neurônios já treinada, gerando um dendrograma simplificado para os dados da imagem. Cada nível do dendrograma apresenta uma configuração diferente de agrupamentos de neurônios (ou protótipos) do SOM que pode ser utilizada para representar as classes sobre as quais a imagem original será classificada. Aplicando versões modificadas de índices de validação de agrupamentos o método determina automaticamente o número ideal de agrupamentos da imagem não exigindo que o usuário defina previamente a quantidade de classes para realizar o processo de classificação. Os resultados experimentais mostram um exemplo de aplicação da metodologia proposta sobre uma imagem teste e compara o seu desempenho com o do algoritmo K-médias.