Fechar
Metadados

@MastersThesis{Oliveira:2019:DeMeCl,
               author = "Oliveira, Willian Vieira de",
                title = "Desenvolvimento de uma meta-metodologia para 
                         classifica{\c{c}}{\~a}o contextual que preserve 
                         fei{\c{c}}{\~o}es estreitas (META-CCP) em imagens digitais",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2019",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2019-02-20",
             keywords = "classifica{\c{c}}{\~a}o contextual, remo{\c{c}}{\~a}o de 
                         ru{\'{\i}}dos, preserva{\c{c}}{\~a}o de fei{\c{c}}{\~o}es, 
                         sensoriamento remoto, contextual classification, noise removal, 
                         feature preservation, remote sensing.",
             abstract = "Classifica{\c{c}}{\~a}o de imagens multiespectrais representa um 
                         procedimento essencial na an{\'a}lise de dados de sensoriamento 
                         remoto. De forma geral, o processo de classifica{\c{c}}{\~a}o 
                         tem por objetivo categorizar os pixels que comp{\~o}em uma imagem 
                         em rela{\c{c}}{\~a}o a um determinado conjunto de classes. 
                         Classificadores por pixel tradicionais, os quais se baseiam apenas 
                         em informa{\c{c}}{\~a}o espectral, tendem a produzir produtos 
                         ruidosos, o que pode estar relacionado tanto {\`a} variabilidade 
                         das amostras consideradas, quanto {\`a} variabilidade espectral 
                         observada na superf{\'{\i}}cie imageada. No intuito de remover 
                         estes ru{\'{\i}}dos, m{\'e}todos contextuais de 
                         classifica{\c{c}}{\~a}o e p{\'o}s-classifica{\c{c}}{\~a}o 
                         s{\~a}o comumente utilizados. Entretanto, nestes processamentos, 
                         algumas fei{\c{c}}{\~o}es tamb{\'e}m s{\~a}o eliminadas. Neste 
                         contexto, o presente trabalho aborda o problema de 
                         preserva{\c{c}}{\~a}o de fei{\c{c}}{\~o}es durante a 
                         aplica{\c{c}}{\~a}o de m{\'e}todos contextuais de 
                         classifica{\c{c}}{\~a}o em imagens multiespectrais. Este 
                         trabalho introduz uma nova abordagem de classifica{\c{c}}{\~a}o, 
                         denominada Meta-metodologia de Classifica{\c{c}}{\~a}o 
                         Contextual que Preserve fei{\c{c}}{\~o}es estreitas (META-CCP), 
                         a qual permite conciliar remo{\c{c}}{\~a}o de ru{\'{\i}}dos e 
                         preserva{\c{c}}{\~a}o de fei{\c{c}}{\~o}es finas. A METACCP se 
                         baseia na identifica{\c{c}}{\~a}o de pixels de alta 
                         discriminabilidade, ou seja, pixels onde a classe escolhida pelo 
                         classificador pode ser claramente distinguida das demais 
                         alternativas de classifica{\c{c}}{\~a}o. Estes pixels s{\~a}o 
                         preservados durante a aplica{\c{c}}{\~a}o da abordagem 
                         contextual. Dessa forma, a META-CCP permite direcionar a 
                         aplica{\c{c}}{\~a}o de classificadores contextuais apenas 
                         {\`a}s {\'a}reas mais suscept{\'{\i}}veis a erros de 
                         classifica{\c{c}}{\~a}o, de forma a favorecer a 
                         remo{\c{c}}{\~a}o de ru{\'{\i}}dos sem comprometer a 
                         representa{\c{c}}{\~a}o das demais fei{\c{c}}{\~o}es. 
                         Al{\'e}m disso, essa meta-metodologia permite a 
                         aplica{\c{c}}{\~a}o de diferentes m{\'e}todos de 
                         classifica{\c{c}}{\~a}o na etapa contextual. No intuito de 
                         validar o m{\'e}todo desenvolvido, dois estudos de caso foram 
                         desenvolvidos, considerando tanto a classifica{\c{c}}{\~a}o de 
                         imagens sint{\'e}ticas quanto de imagem real de sensoriamento 
                         remoto. Em ambos os estudos realizados, a META-CCP foi aplicada 
                         considerando dois diferentes m{\'e}todos contextuais de 
                         classifica{\c{c}}{\~a}o: o filtro de maioria e o algoritmo ICM. 
                         Os resultados obtidos mostram que o m{\'e}todo proposto permite 
                         reduzir eficientemente ru{\'{\i}}dos de 
                         classifica{\c{c}}{\~a}o, sem resultar em danos significativos a 
                         fei{\c{c}}{\~o}es estreitas. ABSTRACT: Multispectral image 
                         classification represents an essential procedure in remote sensing 
                         data analysis. In general, the process of image classification 
                         aims to categorize the pixels that compose an image in relation to 
                         a certain set of classes. Traditional pixel-wise classifiers, 
                         based only on spectral information, tend to produce noisy 
                         products. This effect might be related to both the variability of 
                         the samples used and the spectral variability observed for the 
                         analysed surface. In order to remove these noises, contextual 
                         image classification and post classification methods are commonly 
                         used. In this context, this study addresses the problem of feature 
                         preservation during the application of contextual methods for 
                         multispectral image classification. This study introduces a new 
                         classification approach, named as Meta-methodology for Contextual 
                         Classification that Preserves narrow features (META-CCP, 
                         Meta-Metodologia de Classifica{\c{c}}{\~a}o Contextual que 
                         Preserve fei{\c{c}}{\~o}es estreitas), which allows integrating 
                         both noise removal and narrow feature preservation. The META-CCP 
                         identifies high discriminability pixels, in which the class 
                         defined by the classifier can be clearly distinguished from the 
                         other classification alternatives. The proposed method preserves 
                         these pixels during the contextual classification stage. 
                         Therefore, the META-CCP allows directing the application of 
                         contextual classifiers only to pixels more susceptible to 
                         classification errors. This procedure favours the removal of noisy 
                         pixels without damaging the representation of other features. In 
                         addition, this meta-methodology allows using different methods in 
                         the contextual classification stage. In order to validate the 
                         presented method, we performed two case studies, considering the 
                         classification of both synthetic images and a real remote sensing 
                         image. In both cases, we applied the META-CCP considering two 
                         different contextual classifiers: the majority filter and the ICM 
                         algorithm. The experimental results show that the proposed method 
                         is capable of efficiently reducing classification noises, without 
                         resulting in significant damage to narrow features.",
            committee = "Renn{\'o}, Camilo Daleles (presidente) and Dutra, Luciano Vieira 
                         (orientador) and Sant'Anna, Sidnei Jo{\~a}o Siqueira (orientador) 
                         and K{\"o}rting, Thales Sehn and Soares, Marinalva Dias and 
                         Negri, Rog{\'e}rio Galante",
         englishtitle = "Development of a meta-methodology for contextual classification 
                         that preserves narrow features in digital images",
             language = "pt",
                pages = "78",
                  ibi = "8JMKD3MGP3W34R/3SMB245",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/3SMB245",
           targetfile = "publicacao.pdf",
        urlaccessdate = "02 dez. 2020"
}


Fechar