@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/ibi/8JMKD3MGP3W34R/3SMB245",
targetfile = "publicacao.pdf",
urlaccessdate = "26 abr. 2024"
}