| 1. Identificação | ||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||
| Site | marte3.sid.inpe.br | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identificador | 6qtX3pFwXQZ3r59YCT/GTFoD | |||
| Repositório | sid.inpe.br/iris@1905/2005/07.28.01.55 | |||
| Última Atualização | 2012:10.19.13.01.41 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/iris@1905/2005/07.28.01.55.49 | |||
| Última Atualização dos Metadados | 2021:02.13.04.11.07 (UTC) administrator | |||
| Chave Secundária | INPE-5067-TDL/406 | |||
| Rótulo | 801 | |||
| Chave de Citação | Dutra:1989:ClTeUs | |||
| Título | Classificação de texturas usando modelos ARMA e distâncias da função de autocorrelação  | |||
| Título Alternativo | Texture classification using arma models and distances of autocorrelation function | |||
| Curso | CAP-SPG-INPE-BR | |||
| Ano | 1989 | |||
| Data | 1989-12-14 | |||
| Data de Acesso | 03 maio 2024 | |||
| Tipo da Tese | Tese (Doutorado em Computação Aplicada) | |||
| Tipo Secundário | TDI | |||
| Número de Páginas | 162 | |||
| Número de Arquivos | 1 | |||
| Tamanho | 27438 KiB | |||
| 2. Contextualização | ||||
| Autor | Dutra, Luciano Vieira | |||
| Grupo | CAP-SPG-INPE-BR | |||
| Banca | Kantor, Ivan Jelinek (presidente) Mascarenhas, Nelson Delfino d'Ávila (orientador) Banon, Gerald Jean Francis (orientador) Sakane, Fernando Toshinori Szczupak, Jacques Saotome, Osamu | |||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||
| Cidade | Sao Jose dos Campos | |||
| Histórico (UTC) | 2008-09-10 20:27:01 :: administrator -> jefferson :: 2009-06-18 16:47:49 :: jefferson -> administrator :: 2009-07-08 21:08:46 :: administrator -> jefferson :: 2009-11-05 15:15:39 :: jefferson -> alessandra@sid.inpe.br :: 2011-02-25 13:37:52 :: alessandra@sid.inpe.br -> carol@sid.inpe.br :: 2012-02-10 15:42:28 :: carol@sid.inpe.br -> viveca@sid.inpe.br :: 1989 2012-02-29 17:29:53 :: viveca@sid.inpe.br -> administrator :: 1989 2012-10-13 19:25:54 :: administrator -> sergio :: 1989 2012-10-17 18:37:36 :: sergio -> jefferson :: 1989 2012-10-17 18:42:44 :: jefferson -> sergio :: 1989 2012-10-22 18:12:04 :: sergio :: 1989 -> 2012 2012-10-22 18:14:36 :: sergio -> yolanda :: 2012 2012-10-22 18:15:31 :: yolanda -> marcelo.pazos@sid.inpe.br :: 2012 2012-10-22 18:16:34 :: marcelo.pazos@sid.inpe.br -> administrator :: 2012 2013-09-13 13:06:44 :: administrator -> marcelo.pazos@sid.inpe.br :: 2012 2013-09-13 13:07:55 :: marcelo.pazos@sid.inpe.br -> administrator :: 2012 -> 1989 2013-09-20 17:58:09 :: administrator -> marcelo.pazos@sid.inpe.br :: 1989 2013-09-20 17:59:09 :: marcelo.pazos@sid.inpe.br -> administrator :: 1989 2019-05-17 18:39:48 :: administrator -> sergio :: 1989 2019-05-17 18:48:21 :: sergio -> simone :: 1989 2019-05-17 18:49:44 :: simone -> administrator :: 1989 2021-02-13 04:11:07 :: administrator -> :: 1989 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Palavras-Chave | modelos estatísticos classificação de padrões processamento de imagens ARMA texture image processing classification models | |||
| Resumo | Com o aumento da resolução das imagens de satélite de recursos terrestres, a informação de textura torna-se cada vez mais importante como auxilio na deteção e medidas dos objetos presentes nessas imagens. Neste trabalho e proposto um método para descrever e classificar texturas baseado em modelos autorregrassivos e de media móvel (ARMA) bidimencionais. Esses modelo sao derivados de modelos unidimensionais estimados sobre series unidimensionais obtidas pela concatenação de linhas ou colunas da imagem e filtradas pelos filtros derivados desses, gerando tantos canais quantos forem as classes de texturas. Considera-se a distribuição conjunta das saidas dos filtros para cada classe. A imagem e classificada ponto a ponto usando um classificador de máxima versossimilhança, ou por amostras (conjunto conectado de pixels) usando os critérios de distancia JM, de máxima verossimilhança amostral ou maioria. E proposto também um novo classificador de amostras baseado em distancias da função de autocorrelaçao bidimensional. Os métodos foram testados usando imagens de radar de abertura sintética, do livro de Brodatz e imagens SPOT pancromáticas. Os modelos para as classes definidas foram apresentados e discutidos. Os resultados das classificações mostraram substancial melhoria no desempenho médio (uma estimativa para a probabilidade de erro), principalmente para os casos onde a diferença entre a media das classes e pequena. Foi observado também um bom desempenho quando se usa o classificador de amostras baseado em distância entre distribuições. ABSTRACT: As the spatial resolution of remote sensing imagery increases, texture information becomes an important feature to help in the process of detection and measurement of objects present in these images. Several methods for describing texture have been proposed in the literature, although, up to the present time, no formal definition of texture has been stated. In this work a method for the description and classification of texture using two-dimensional autorregressive moving average (ARMA) models is proposed. These models are derived from-dimensional models estimates over uni-dimensional series obtained through the concatenation of rows or columns of the image. The image is filtered by inverse filters derived from the models, generating as many channels (residuals) as the number of textures classes. The joint distribution of the filters outputs is considered for each class. the image is classified on a pixel by pixel basis using a maximum likelihood or on a sample basis (set of connected pixels) using the LM-distance, sample maximum likelihood or majority criteria. A new sample classifier, based on distances defined over two-were tested using synthetic aperture rapar (SAR), Brodatz´book and SPOT panchromatic images. The obtained models for the defined classes were presented and discussed, relating them to the characteristics of the textures and the formation process of the image.The classification results showed substancial improvement of the average performance (an estimation of the correct classification probability mainly for the cases in which the differences of classes means were negligible. Good performance was also verified using the sample classifier based on distances between two-dimensional auto-correlation functions. | |||
| Área | COMP | |||
| Arranjo | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Classificação de texturas... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source |
| |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| URL dos dados | http://urlib.net/ibi/6qtX3pFwXQZ3r59YCT/GTFoD | |||
| URL dos dados zipados | http://urlib.net/zip/6qtX3pFwXQZ3r59YCT/GTFoD | |||
| Idioma | pt | |||
| Arquivo Alvo | publicacao.pdf | |||
| Grupo de Usuários | administrator jefferson marcelo.pazos@inpe.br sergio simone yolanda.souza@mcti.gov.br | |||
| Visibilidade | shown | |||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.14.48 | |||
| Detentor dos Direitos | originalauthor yes | |||
| Detentor da Cópia | SID/SCD | |||
| Permissão de Leitura | allow from all | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F2PHGS | |||
| Divulgação | BNDEPOSITOLEGAL | |||
| Acervo Hospedeiro | sid.inpe.br/banon/2001/04.03.15.36 | |||
| 6. Notas | ||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype creatorhistory descriptionlevel doi e-mailaddress electronicmailaddress format isbn issn lineage mark mirrorrepository nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||