Fechar
Metadados

@PhDThesis{Silva:2013:ApDaPo,
               author = "Silva, Wagner Barreto da",
                title = "Classifica{\c{c}}{\~a}o de regi{\~o}es de imagens utilizando 
                         testes de hip{\'o}tese baseados em dist{\^a}ncias 
                         estoc{\'a}sticas: aplica{\c{c}}{\~o}es a dados 
                         polarim{\'e}tricos",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2013",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2013-03-06",
             keywords = "Classifica{\c{c}}{\~a}o por regi{\~o}es, dist{\^a}ncias 
                         estoc{\'a}sticas, testes de hip{\'o}tese, polarimetria, 
                         region-based classification, stochastic distances, hypothesis 
                         tests, polarimetry.",
             abstract = "Este trabalho tem por objetivo a proposi{\c{c}}{\~a}o, 
                         desenvolvimento e avalia{\c{c}}{\~a}o de um classificador por 
                         regi{\~o}es com base em dist{\^a}ncias estoc{\'a}sticas e seus 
                         testes de hip{\'o}tese associados. O classificador {\'e} 
                         organizado em tr{\^e}s m{\'o}dulos, divididos segundo a 
                         modelagem estat{\'{\i}}stica e o tipo de imagem para a qual o 
                         m{\'o}dulo {\'e} destinado. O primeiro m{\'o}dulo destina-se 
                         {\`a} classifica{\c{c}}{\~a}o de imagens de radar de abertura 
                         sint{\'e}tica polarim{\'e}trico (PoISAR) e adota a 
                         distribui{\c{c}}{\~a}o de Wishart complexa escalonada para 
                         modelagem das matrizes de covari{\^a}ncia; o segundo m{\'o}dulo, 
                         o qual se destina {\`a} classifica{\c{c}}{\~a}o de pares de 
                         imagens SAR em intensidade \textit{multi-look}, adota a 
                         distribui{\c{c}}{\~a}o Par de Intensidades \textit{multi-look}, 
                         desenvolvida por Lee et al. (1994a); o terceiro m{\'o}dulo, que 
                         se destina {\`a} classifica{\c{c}}{\~a}o de imagens SAR multi 
                         variadas em amplitude e imagens de sensores {\'o}ticos, utiliza a 
                         distribui{\c{c}}{\~a}o gaussiana multi variada. Foram utilizadas 
                         dist{\^a}ncias estoc{\'a}sticas dispon{\'{\i}}veis na 
                         literatura, espec{\'{\i}}ficas para cada m{\'o}dulo, obtidas 
                         segundo o procedimento formal da fam{\'{\i}}lia de 
                         diverg{\^e}ncias \textit{h}-\$\phi\$, desenvolvido por 
                         Salicru et al. (1994). A partir das express{\~o}es para as 
                         dist{\^a}ncias, foram desenvolvidas express{\~o}es para as 
                         estat{\'{\i}}sticas de teste a serem utilizadas na 
                         classifica{\c{c}}{\~a}o. Ao final do processo de 
                         classifica{\c{c}}{\~a}o, s{\~a}o gerados a imagem classificada 
                         e um mapa indicativo que mostra os segmentos para os quais a 
                         hip{\'o}tese nula do teste n{\~a}o foi rejeitada ao 
                         n{\'{\i}}vel de signific{\^a}ncia de 5\%. Com a 
                         utiliza{\c{c}}{\~a}o de dados simulados com 
                         autocorrela{\c{c}}{\~a}o espacial, foi verificada a alta 
                         influ{\^e}ncia da autocorrela{\c{c}}{\~a}o no desempenho do 
                         teste. Com a finalidade de avaliar o classificador, 
                         aplica{\c{c}}{\~o}es foram feitas segundo duas abordagens. Na 
                         primeira, com dados simulados segundo a distribui{\c{c}}{\~a}o 
                         de Wishart complexa escalonada com 4 visadas. Para a maioria das 
                         dist{\^a}ncias dispon{\'{\i}}veis entre 
                         distribui{\c{c}}{\~o}es Wishart: Bhattacharyya, 
                         Kullback-Leibler, Hellinger e R{\'e}nyi de ordem \$\beta\$, os 
                         resultados de classifica{\c{c}}{\~a}o foram id{\^e}nticos entre 
                         si e muito pr{\'o}ximos do esperado teoricamente. 
                         Aplica{\c{c}}{\~o}es em dados simulados em amplitude 
                         multivariada e em pares de intensidade alcan{\c{c}}aram 
                         resultados de classifica{\c{c}}{\~a}o e de taxas de 
                         rejei{\c{c}}{\~a}o do teste de hip{\'o}tese ligeiramente 
                         inferiores aos dos dados PoISAR, mas ainda pr{\'o}ximos do 
                         esperado. Na segunda abordagem, o classificador foi aplicado a 
                         dados PolSAR reais, em que foram utilizadas imagens 
                         polarim{\'e}tricas \textit{multi-look} (HH, HV e VV) da 
                         miss{\~a}o SIR-C/X-SAR, nas bandas L e C. Os resultados de 
                         classifica{\c{c}}{\~a}o foram avaliados a partir dos valores da 
                         acur{\'a}cia global e do coeficiente de concord{\^a}ncia 
                         \textit{kappa (k}). Esses resultados de 
                         classifica{\c{c}}{\~a}o, de modo geral, foram considerados 
                         excelentes para a banda L, com valores de k maiores do que 0,82, e 
                         muito bons para a banda C, com valores de k maiores do que 0,70. 
                         Os resultados com os dados SAR em amplitude multivariada e pares 
                         de imagens SAR em intensidade mostraram-se valiosos pela 
                         possibilidade da indisponibilidade de dados PolSAR. Os resultados 
                         de classifica{\c{c}}{\~a}o de dados PolSAR reais, dos dois 
                         conjuntos de dados, foram comparados com resultados obtidos por um 
                         classificador pontual/ contextual, que utiliza o algoritmo 
                         \textit{Iterated Conditional Modes} (ICM) (CORREIA, 1998). Desta 
                         compara{\c{c}}{\~a}o p{\^o}de-se observar que a 
                         classifica{\c{c}}{\~a}o por regi{\~o}es supera 
                         significativamente a contextual, em ambos os casos. No caso da 
                         banda L, o classificador por regi{\~o}es superou o 
                         pontual/contextual em aproximadamente 4\% e no caso da banda C, 
                         em aproximadamente 20\%. ABSTRACT: This work aims at the 
                         proposal, developing and evaluation of a region based elassifier 
                         based on stochastic distances and hypothesis tests. The classifier 
                         is organized into three modules, divided according to the assumed 
                         statistical mo del and to the image type used. The first module is 
                         intended to the polarimetric synthetic aperture radar (PolSAR) 
                         data classification and assumes the scaled complex Wishart 
                         distribution for covariance matrices modeling; the second one, 
                         which is intended to the classification of SAR images pairs in 
                         intensity, assumes the \textit{multi-look} Intensity-Pair 
                         distribution developed by Lee et al. (1994a); the third one, which 
                         is intended to the classification of multivariate SAR images in 
                         amplitude and images from optical sensors, assumes a multivariate 
                         Gaussian model. Stochastic distances available in the literature 
                         were applied. Such distances were obtained according to the 
                         \textit{h}-\$\phi\$ class of divergences proposed by Salicru 
                         et al. (1994). From the applied distances, expressions for the 
                         test statistics to be used in classification were developed. At 
                         the end of the classification process, the classified image and an 
                         indicative map which shows the segments for which the null 
                         hypothesis was not rejected at the significance level of 5\% are 
                         obtained. Using simulated data with spatial correlation, was 
                         verified the high influence of such contamination on the 
                         hypothesis test performance. Aiming at the classifier evaluation, 
                         applications were conducted under two approaches. In the first 
                         one, with complex scaled Wishart simulated data with 4 looks. For 
                         most distances between Wishart distribution: Bhattacharyya, 
                         Kullback-Leibler, Hellinger and R{\'e}nyi of order \$\beta\$, 
                         the classification results were identical and very close to the 
                         theoretically expected value. Applications to simulated data in 
                         multivariate amplitude format and intensity pairs with use of the 
                         Bhattacharyya distance between appropriate distributions achieved 
                         classification results and null hypothesis rejection rates 
                         slightly lower than the data PolSAR data results, but still close 
                         to theoretical expectations. In the second approach, the 
                         classifier was applied to real PolSAR data, when polarimetric 
                         \textit{multi-look} images (HH, HV and VV), bands L and C, were 
                         used. The classification results were evaluated using the overall 
                         accuracy and \textit{kappa (k}) coefficient of agreement. These 
                         classification results, in general, were considered excellent for 
                         the L band data, with \textit{k}, greater than 0,82, and very 
                         good for C band data, with \textit{k} greater than 0,70. The 
                         multivariate amplitude SAR data results and intensity pair data 
                         results were valuable considering of the real possibility of data 
                         PolSAR absence in practical situations. The classification results 
                         of real PolSAR data, from the two data set, were compared with 
                         results obtained by a punctual/ contextual approach classifier 
                         which uses a \textit{lterated Conditional Modes} (ICM) (CORREIA, 
                         1998) algorithm. From this analysis, we observed that the region 
                         based classification sig-nificantly outperforms the contextual 
                         classification. In the L band case, the region based classifier 
                         outperformed the punctual/contextual approximately in 4\% and in 
                         the C band case, in approximately in 20\%.",
            committee = "Dutra, Luciano Vieira (presidente) and Freitas, Corina da Costa 
                         (orientadora) and Orgambide, Alejandro Cesar Frery (orientador) 
                         and Sant'Anna, Sidnei Jo{\~a}o Siqueira and Correia, Ant{\^o}nio 
                         Henrique and Nascimento, Abra{\~a}o David Costa do",
           copyholder = "SID/SCD",
         englishtitle = "Classification of image regions using hypothesis test based on 
                         stochastic distances: applications to polarimetric data",
             language = "pt",
                pages = "165",
                  ibi = "8JMKD3MGP7W/3DJMB48",
                  url = "http://urlib.net/rep/8JMKD3MGP7W/3DJMB48",
           targetfile = "publicacao.pdf",
        urlaccessdate = "23 jan. 2021"
}


Fechar