@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/ibi/8JMKD3MGP3W34P/3M2MERE",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}