Fechar
Metadados

@MastersThesis{Santos:2018:SiClIm,
               author = "Santos, Michael Douglas Lemes dos",
                title = "Sistema de classifica{\c{c}}{\~a}o de imagens mono e multifontes 
                         baseado em dist{\^a}ncias estoc{\'a}sticas e testes de 
                         hip{\'o}teses associados",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2018",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2018-05-03",
             keywords = "classifica{\c{c}}{\~a}o de imagens, classifica{\c{c}}{\~a}o 
                         multifontes, diverg{\^e}ncia, dist{\^a}ncias estoc{\'a}sticas, 
                         testes de hip{\'o}tese, image classification, multi-source 
                         classification, divergence, stochastic distances, hypothesis 
                         test.",
             abstract = "A classifica{\c{c}}{\~a}o de imagens oriundas de sensores 
                         orbitais, utilizadas em {\'a}reas do conhecimento como o 
                         sensoriamento remoto, {\'e} uma tarefa fundamental para o estudo 
                         do uso e ocupa{\c{c}}{\~a}o do solo. A quantidade de sensores 
                         que atuam em diferentes faixas do espectro eletromagn{\'e}tico e 
                         a disponibiliza{\c{c}}{\~a}o dos dados para a comunidade 
                         cient{\'{\i}}fica tem tido um acr{\'e}scimo consider{\'a}vel. 
                         Inevitavelmente, diferentes t{\'e}cnicas t{\^e}m sido estudadas 
                         e utilizadas para a classifica{\c{c}}{\~a}o de imagens. 
                         Encontram-se na literatura algumas t{\'e}cnicas que s{\~a}o 
                         baseadas em conceitos da Teoria da Informa{\c{c}}{\~a}o, como 
                         diverg{\^e}ncias e dist{\^a}ncias estoc{\'a}sticas, e que 
                         s{\~a}o adequadas para imagens {\'o}pticas e de radar. Tem-se 
                         considerado tamb{\'e}m a natureza muitas vezes complementar entre 
                         sensores distintos, pois diante das diferen{\c{c}}as 
                         significativas entre imagens provenientes destes sensores, 
                         t{\'e}cnicas que integrem estas informa{\c{c}}{\~o}es podem 
                         trazer contribui{\c{c}}{\~o}es significativas para o 
                         processamento e an{\'a}lise destas imagens. Neste sentido, 
                         objetiva-se neste trabalho o desenvolvimento de um sistema 
                         computacional que permite a classifica{\c{c}}{\~a}o de dados 
                         mono e multifontes provenientes de distintos sensores 
                         ({\'o}pticos e de micro-ondas). O classificador implementado 
                         {\'e} estat{\'{\i}}stico, supervisionado, de regi{\~o}es e 
                         baseado em dist{\^a}ncias estoc{\'a}sticas e testes de 
                         hip{\'o}tese associados. Dist{\^a}ncias estas calculadas para as 
                         fun{\c{c}}{\~o}es densidades de probabilidade Wishart, Par de 
                         Intensidade, Gama e Gaussiana Multivariada que s{\~a}o 
                         utilizadas, respectivamente, para modelar dados SAR 
                         Polarim{\'e}trico completo, SAR Par de intensidade e SAR 
                         monocanal em intensidade e {\'o}pticos. O sistema computacional 
                         tamb{\'e}m {\'e} desenvolvido em uma plataforma computacional 
                         amig{\'a}vel, flex{\'{\i}}vel e gratuita na linguagem C++ e o 
                         suporte para o processamento dos dados geoespaciais {\'e} dado 
                         pela biblioteca TerraLib. Foram feitos dois casos de testes que 
                         evidenciaram a corretitude, confiabilidade e completitude do 
                         sistema e a valida{\c{c}}{\~a}o dos resultados. Dados SAR 
                         monocanais em intensidade foram aplicados e analisados pela 
                         primeira vez nas classifica{\c{c}}{\~o}es mono e multifontes 
                         baseadas em dist{\^a}ncias estoc{\'a}sticas e testes de 
                         hip{\'o}teses. Para os dados em estudo, os canais HV e VV foram 
                         t{\~a}o eficazes quanto os dados bivariados e polarim{\'e}tricos 
                         completos para a classifica{\c{c}}{\~a}o monofonte. Nas 
                         classifica{\c{c}}{\~o}es multifontes com as 
                         combina{\c{c}}{\~o}es da soma e dos m{\'{\i}}nimos, os 
                         {\'{\i}}ndices de avalia{\c{c}}{\~a}o das 
                         classifica{\c{c}}{\~o}es envolvendo a imagem monocanal foram 
                         equivalentes aos {\'{\i}}ndices das classifica{\c{c}}{\~o}es 
                         que envolveram os outros dados. Na combina{\c{c}}{\~a}o do 
                         produto, a classifica{\c{c}}{\~a}o envolvendo o dado modelado 
                         por meio da distribui{\c{c}}{\~a}o Gama teve resultados 
                         inferiores. Al{\'e}m de permitir a classifica{\c{c}}{\~a}o de 
                         dados monocanais SAR em intensidade, o desenvolvimento da 
                         plataforma computacional significou a concretiza{\c{c}}{\~a}o da 
                         metodologia de classifica{\c{c}}{\~a}o multifontes baseada em 
                         dist{\^a}ncias estoc{\'a}sticas e testes de hip{\'o}teses 
                         associados. ABSTRACT: Image classification from remote sensing 
                         imagery is an important task for use and land cover studies. The 
                         number of different sensors and the availability of data for the 
                         scientific community have had a considerable increase. Inevitably, 
                         various techniques have been studied and used for image 
                         classification, like techniques based on Information Theory. The 
                         complementary nature of different sensors has also been considered 
                         due to the important differences among the images obtained from 
                         them. Different techniques that integrate this information can 
                         bring significant contributions to the processing and analysis of 
                         these images. Then, the aim of this work is the development of a 
                         computational system for mono and multi-source data (optical and 
                         microwave) classification. The classifier methodology is based on 
                         stochastic distances and associated hypothesis tests among 
                         probability density function of the random variables that 
                         represent the information from the different sensors. The 
                         probability density functions Wishart, Intensity Pair, Gamma and 
                         Gaussian have been considered in order to model polarimetric SAR, 
                         bivariate SAR, single-channel SAR e optical data. The classifier 
                         is coded using C++ language and the support for geospatial data 
                         processing will be given by TerraLib. Two test sets have been 
                         applied to verify the correctness, reliability, and completeness 
                         of the system and validate the results. Single-channel intensity 
                         SAR data have been classified for the first time in this type of 
                         methodology, i.e., classification based on stochastic distances 
                         and hypothesis tests. HV and VV channels classification results 
                         have had as effective as the bivariate and complete polarimetric 
                         data for mono-source classifications, for the data set applied in 
                         this work. In the multi-source case, single-channel classification 
                         results have had effectives for sum and minimum combination types. 
                         In the product combination, the classification that involved the 
                         data modeled through the Gamma distribution has had inferior 
                         results. In addition to allowing the classification of 
                         single-channel intensity SAR data, the development of the 
                         computational platform is the concretion of multi-source 
                         classification methodology based on stochastic distances and 
                         associated hypothesis tests.",
            committee = "K{\"o}rting, Thales Sehn (presidente) and Sant'Anna, Sidnei 
                         Jo{\~a}o Siqueira (orientador) and Bins, Leonardo Sant'Anna and 
                         Shiguemori, Elcio Hideiti and Fernandes, David",
         englishtitle = "Mono and multi-source image classification system based on 
                         stochastic distances and associated hypothesis tests",
             language = "pt",
                pages = "207",
                  ibi = "8JMKD3MGP3W34R/3R36HK5",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/3R36HK5",
           targetfile = "publicacao.pdf",
        urlaccessdate = "24 nov. 2020"
}


Fechar