Fechar
Metadados

@MastersThesis{Braga:2016:DiEsTe,
               author = "Braga, Bruna Cristina",
                title = "Dist{\^a}ncias estoc{\'a}sticas e testes de hip{\'o}teses 
                         associados aplicados {\`a} classifica{\c{c}}{\~a}o de imagens 
                         provenientes de m{\'u}ltiplos sensores independentes",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2016",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2016-07-07",
             keywords = "classifica{\c{c}}{\~a}o multifontes, dist{\^a}ncias 
                         estoc{\'a}sticas, testes de hip{\'o}teses, imagens {\'o}pticas, 
                         imagens SAR, multisource classification, stochastic distances, 
                         hypothesis tests, optical image, SAR image.",
             abstract = "Neste trabalho de disserta{\c{c}}{\~a}o, prop{\~o}e-se uma nova 
                         metodologia de integra{\c{c}}{\~a}o de dados classificados 
                         baseada em dist{\^a}ncias estoc{\'a}sticas e testes de 
                         hip{\'o}teses, denominada \${''}\$Classifica{\c{c}}{\~a}o 
                         Multifonte\${''}\$. O grande diferencial do m{\'e}todo de 
                         integra{\c{c}}{\~a}o proposto se origina do fato da 
                         classifica{\c{c}}{\~a}o multifonte ser obtida a partir do 
                         c{\'a}lculo das dist{\^a}ncias estoc{\'a}sticas entre a 
                         fun{\c{c}}{\~a}o densidade de probabilidade (f.d.p.) conjunta 
                         dos dados oriundos das m{\'u}ltiplas fontes sem, no entanto, 
                         conhec{\^e}-la. Estas dist{\^a}ncias (e estat{\'{\i}}sticas de 
                         teste associadas) s{\~a}o computadas a partir das dist{\^a}ncias 
                         marginais (e estat{\'{\i}}sticas de teste marginais), 
                         independentemente do conhecimento da f.d.p. conjunta. O resultado 
                         da classifica{\c{c}}{\~a}o multifonte {\'e}, ent{\~a}o, 
                         constru{\'{\i}}do utilizando-se fun{\c{c}}{\~o}es 
                         matem{\'a}ticas baseadas nas estat{\'{\i}}sticas de teste 
                         empregadas nas classifica{\c{c}}{\~o}es e que s{\~a}o obtidas 
                         de maneira te{\'o}rica e emp{\'{\i}}rica. Demonstra-se 
                         matematicamente que a fun{\c{c}}{\~a}o te{\'o}rica {\'e} a 
                         soma das estat{\'{\i}}sticas de teste. Para 
                         avalia{\c{c}}{\~a}o da metodologia, foram utilizadas duas 
                         imagens SAR (Alos/Palsar e Radarsat2) e uma imagem Landsat5/TM. 
                         Foram geradas 12 classifica{\c{c}}{\~o}es individuais 
                         utilizando-se as tr{\^e}s imagens e variando-se suas respectivas 
                         modelagens. Selecionaram-se para cada uma das imagens a 
                         classifica{\c{c}}{\~a}o que apresentou os melhores 
                         {\'{\i}}ndices de acur{\'a}cia (coeficiente Kappa e 
                         acur{\'a}cia global). Por interm{\'e}dio das 
                         classifica{\c{c}}{\~o}es escolhidas, constru{\'{\i}}ram-se 10 
                         combina{\c{c}}{\~o}es por meio das quais foi aplicada a 
                         metodologia proposta. Para tais combina{\c{c}}{\~o}es, 
                         originaram-se tr{\^e}s Cen{\'a}rios multifontes, o primeiro, 
                         nomeado Cen{\'a}rio multifonte da soma, segue a abordagem 
                         te{\'o}rica enquanto os dois {\'u}ltimos, denominados 
                         Cen{\'a}rio multifonte dos m{\'{\i}}nimos e Cen{\'a}rio 
                         multifonte do produto seguem uma abordagem emp{\'{\i}}rica. Como 
                         mais um exemplo de cria{\c{c}}{\~a}o de Cen{\'a}rio, foi gerado 
                         um Cen{\'a}rio multifonte Fuzzy que segue tamb{\'e}m a abordagem 
                         emp{\'{\i}}rica. Apresentaram-se as classifica{\c{c}}{\~o}es 
                         multifontes para as combina{\c{c}}{\~o}es que obtiveram os 
                         melhores resultados. O Cen{\'a}rio multifonte da soma envolvendo 
                         as tr{\^e}s imagens conjuntamente apresenta melhora no 
                         coeficiente Kappa relativa {\`a}s classifica{\c{c}}{\~o}es 
                         individuais de 45\%, 32\% e 6\% para imagens Palsar, Radarsat e 
                         TM, respectivamente. De modo geral, combina{\c{c}}{\~o}es 
                         envolvendo somente os dados SAR resultaram, na maior parte, em 
                         classifica{\c{c}}{\~o}es com maiores {\'{\i}}ndices de 
                         acur{\'a}cia do que aqueles apresentados pelas imagens 
                         individualmente. Para combina{\c{c}}{\~o}es envolvendo as 
                         imagens SAR e TM os {\'{\i}}ndices foram elevados em algumas 
                         situa{\c{c}}{\~o}es. Para os Cen{\'a}rios multifontes 
                         emp{\'{\i}}ricos dos m{\'{\i}}nimos e do produto, observou-se 
                         que, em compara{\c{c}}{\~a}o {\`a} imagem Palsar, ambos os 
                         Cen{\'a}rios obtiveram valores superiores de {\'{\i}}ndice 
                         Kappa e acur{\'a}cia global. Para a imagem Radarsat, somente o 
                         Cen{\'a}rio multifonte do produto apresentou valores superiores 
                         para os mesmos {\'{\i}}ndices. J{\'a} para a imagem TM, ambos 
                         os Cen{\'a}rios apresentaram {\'{\i}}ndices inferiores. A 
                         classifica{\c{c}}{\~a}o baseada na l{\'o}gica Fuzzy permitiu 
                         uma classifica{\c{c}}{\~a}o em classes mistas com alta 
                         confiabilidade e altos valores de acur{\'a}cia por classe. Isto 
                         pode ser visto como um fator positivo na metodologia de 
                         classifica{\c{c}}{\~a}o proposta. Dada a variedade de 
                         Cen{\'a}rios multifontes distintos poss{\'{\i}}veis de serem 
                         constru{\'{\i}}dos concluiu-se que {\'e} poss{\'{\i}}vel 
                         melhorar os resultados de classifica{\c{c}}{\~a}o utilizando-se 
                         a metodologia multifonte proposta. ABSTRACT: A new data 
                         integration methodology named \${''}\$Multisource 
                         Classification\${''}\$ is proposed and assessed in this work. It 
                         is based on stochastic distances and their associated hypothesis 
                         tests. The great advantage of this new method is the generation of 
                         multisource classification by means of stochastic distances 
                         between unknown joint probability density function (p.d.f.). These 
                         distances (and statistical tests) are computed from marginal 
                         distances (and marginal statistical tests) regardless the joint 
                         p.d.f. knowledge. The multisource classification result is 
                         generated using mathematical functions based on statistical tests 
                         and they can be obtained by theoretical or empirical approaches. 
                         For some distances, it is also mathematically, shown that the 
                         theoretical function is given by the sum of statistical tests. The 
                         classification performance is evaluated using images obtained from 
                         three different sensors: two SAR (Alos and Radarsat2) and one TM 
                         (Landsat5). Twelve individual classifications were generated using 
                         these three images and by varying the data modeling. The 
                         classifications presenting the best accuracy (Kappa coefficient 
                         and overall accuracy) were selected for each image. Ten 
                         combinations were then constructed using these selected 
                         classifications in order to employ the proposed methodology. For 
                         each combination it was constructed three multisource scenarios, 
                         called sum, minimum and product multisource scenarios. The first 
                         is based on the theoretical approach whereas the two latter follow 
                         an empirical approach. In addition, an empirical Fuzzy multisource 
                         scenario was also created. The sum multisource scenario compound 
                         by the three images exhibited 45\%, 32\% and 6\% of improvement 
                         related to Palsar, Radarsat and TM image classifications, 
                         respectively. In general, the majority of SAR data combinations 
                         resulted in classifications with highest rates of accuracy than 
                         those presented by the individual classifications. In some 
                         situations, SAR and TM images combinations high values of accuracy 
                         indexes were observed. It was observed that the empirical minimum 
                         and product multisource scenarios, using the three images, 
                         presented high values of Kappa coefficient and overall accuracy 
                         regarding to Palsar image classification. However, relatively to 
                         Radarsat image classification, only the product multisource 
                         scenario reached high values for the same indexes. On the other 
                         hand, based on TM image classification, both scenarios showed low 
                         improvement values. The Fuzzy multisource scenario allowed mixed 
                         classes classification with high values of accuracy per class. 
                         This is an interesting and positive factor in the proposed 
                         methodology of classification. Given the great variety of feasible 
                         multisource scenarios that can be implemented and the obtained 
                         results, it was concluded that it is possible to improve 
                         classification results using the proposed multisource 
                         methodology.",
            committee = "Sant'Anna, Sidnei Jo{\~a}o Siqueira (presidente/orientador) and 
                         Freitas, Corina da Costa (orientador) and Renn{\'o}, Camilo 
                         Daleles and K{\"o}rting, Thales Sehn and Costa, Gilson Alexandre 
                         Ostwald Pedro da",
           copyholder = "SID/SCD",
         englishtitle = "Stochastic distances and hypothesis tests applied to the images 
                         classification from multiple independent sensors",
             language = "pt",
                pages = "201",
                  ibi = "8JMKD3MGP3W34P/3M2MERE",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34P/3M2MERE",
           targetfile = "publicacao.pdf",
        urlaccessdate = "05 dez. 2020"
}


Fechar