@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/ibi/8JMKD3MGP3W34R/3R36HK5",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}