Resultado da Pesquisa
A expressão de busca foi <related:sid.inpe.br/mtc-m21b/2016/07.04.21.38.36-0:pt:title:2:imagens classificacao distancias estocasticas:distancias estocasticas testes hipoteses associados aplicados classificacao imagens provenientes multiplos sensores independentes:>.
5 referências similares encontradas (inclusive a original) buscando em 17 dentre 17 Arquivos.
Data e hora local de busca: 24/04/2024 07:17.
1. Identificação
Tipo de ReferênciaTese ou Dissertação (Thesis)
Sitemtc-m21b.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34P/3M2MERE
Repositóriosid.inpe.br/mtc-m21b/2016/07.04.21.38
Última Atualização2016:11.22.16.43.18 (UTC) marcelo.pazos@inpe.br
Repositório de Metadadossid.inpe.br/mtc-m21b/2016/07.04.21.38.36
Última Atualização dos Metadados2018:06.04.02.40.58 (UTC) administrator
Chave SecundáriaINPE-17755-TDI/2505
Chave de CitaçãoBraga:2016:DiEsTe
TítuloDistâncias estocásticas e testes de hipóteses associados aplicados à classificação de imagens provenientes de múltiplos sensores independentes
Título AlternativoStochastic distances and hypothesis tests applied to the images classification from multiple independent sensors
CursoSER-SRE-SPG-INPE-MCTI-GOV-BR
Ano2016
Data2016-07-07
Data de Acesso24 abr. 2024
Tipo da TeseDissertação (Mestrado em Sensoriamento Remoto)
Tipo SecundárioTDI
Número de Páginas201
Número de Arquivos1
Tamanho17911 KiB
2. Contextualização
AutorBraga, Bruna Cristina
BancaSant'Anna, Sidnei João Siqueira (presidente/orientador)
Freitas, Corina da Costa (orientador)
Rennó, Camilo Daleles
Körting, Thales Sehn
Costa, Gilson Alexandre Ostwald Pedro da
Endereço de e-Mailcrisbragamc@yahoo.com.br
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Histórico (UTC)2016-07-04 21:47:50 :: bruna.braga@inpe.br -> yolanda.souza@mcti.gov.br ::
2016-07-27 15:42:17 :: yolanda.souza@mcti.gov.br -> bruna.braga@inpe.br ::
2016-08-19 16:37:28 :: bruna.braga@inpe.br -> yolanda.souza@mcti.gov.br ::
2016-11-21 18:51:05 :: yolanda.souza@mcti.gov.br -> marcelo.pazos@inpe.br ::
2016-11-22 15:32:45 :: marcelo.pazos@inpe.br :: -> 2016
2016-11-22 16:44:22 :: marcelo.pazos@inpe.br -> administrator :: 2016
2018-06-04 02:40:58 :: administrator -> :: 2016
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chaveclassificação multifontes
distâncias estocásticas
testes de hipóteses
imagens ópticas
imagens SAR
multisource classification
stochastic distances
hypothesis tests
optical image
SAR image
ResumoNeste trabalho de dissertação, propõe-se uma nova metodologia de integração de dados classificados baseada em distâncias estocásticas e testes de hipóteses, denominada ${''}$Classificação Multifonte${''}$. O grande diferencial do método de integração proposto se origina do fato da classificação multifonte ser obtida a partir do cálculo das distâncias estocásticas entre a função densidade de probabilidade (f.d.p.) conjunta dos dados oriundos das múltiplas fontes sem, no entanto, conhecê-la. Estas distâncias (e estatísticas de teste associadas) são computadas a partir das distâncias marginais (e estatísticas de teste marginais), independentemente do conhecimento da f.d.p. conjunta. O resultado da classificação multifonte é, então, construído utilizando-se funções matemáticas baseadas nas estatísticas de teste empregadas nas classificações e que são obtidas de maneira teórica e empírica. Demonstra-se matematicamente que a função teórica é a soma das estatísticas de teste. Para avaliação da metodologia, foram utilizadas duas imagens SAR (Alos/Palsar e Radarsat2) e uma imagem Landsat5/TM. Foram geradas 12 classificações individuais utilizando-se as três imagens e variando-se suas respectivas modelagens. Selecionaram-se para cada uma das imagens a classificação que apresentou os melhores índices de acurácia (coeficiente Kappa e acurácia global). Por intermédio das classificações escolhidas, construíram-se 10 combinações por meio das quais foi aplicada a metodologia proposta. Para tais combinações, originaram-se três Cenários multifontes, o primeiro, nomeado Cenário multifonte da soma, segue a abordagem teórica enquanto os dois últimos, denominados Cenário multifonte dos mínimos e Cenário multifonte do produto seguem uma abordagem empírica. Como mais um exemplo de criação de Cenário, foi gerado um Cenário multifonte Fuzzy que segue também a abordagem empírica. Apresentaram-se as classificações multifontes para as combinações que obtiveram os melhores resultados. O Cenário multifonte da soma envolvendo as três imagens conjuntamente apresenta melhora no coeficiente Kappa relativa às classificações individuais de 45\%, 32\% e 6\% para imagens Palsar, Radarsat e TM, respectivamente. De modo geral, combinações envolvendo somente os dados SAR resultaram, na maior parte, em classificações com maiores índices de acurácia do que aqueles apresentados pelas imagens individualmente. Para combinações envolvendo as imagens SAR e TM os índices foram elevados em algumas situações. Para os Cenários multifontes empíricos dos mínimos e do produto, observou-se que, em comparação à imagem Palsar, ambos os Cenários obtiveram valores superiores de índice Kappa e acurácia global. Para a imagem Radarsat, somente o Cenário multifonte do produto apresentou valores superiores para os mesmos índices. Já para a imagem TM, ambos os Cenários apresentaram índices inferiores. A classificação baseada na lógica Fuzzy permitiu uma classificação em classes mistas com alta confiabilidade e altos valores de acurácia por classe. Isto pode ser visto como um fator positivo na metodologia de classificação proposta. Dada a variedade de Cenários multifontes distintos possíveis de serem construídos concluiu-se que é possível melhorar os resultados de classificação 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.
ÁreaSRE
Arranjourlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Distâncias estocásticas e...
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
originais/@4primeirasPaginas-8.pdf 03/10/2016 14:41 188.7 KiB 
originais/Avaliação final pag 2 aluna Bruna Cristina Braga.pdf 06/09/2016 17:40 24.9 KiB 
originais/BrunaBraga_Dissertação_Final-2.docx 17/11/2016 21:52 25.5 MiB
originais/BrunaBraga_Dissertação_Final-2.pdf 17/11/2016 21:56 16.3 MiB
Conteúdo da Pasta agreement
autorizacao.pdf 21/11/2016 16:48 61.9 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34P/3M2MERE
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34P/3M2MERE
Idiomapt
Arquivo Alvopublicacao.pdf
Grupo de Usuáriosbruna.braga@inpe.br
marcelo.pazos@inpe.br
yolanda.souza@mcti.gov.br
Grupo de Leitoresadministrator
bruna.braga@inpe.br
marcelo.pazos@inpe.br
yolanda.souza@mcti.gov.br
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.10
Detentor da CópiaSID/SCD
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhosid.inpe.br/mtc-m21b/2013/09.26.14.25.22
Unidades Imediatamente Superiores8JMKD3MGPCW/3F3NU5S
Lista de Itens Citandosid.inpe.br/mtc-m21b/2013/09.26.14.25.22 1
Acervo Hospedeirosid.inpe.br/mtc-m21b/2013/09.26.14.25.20
6. Notas
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype

1. Identificação
Tipo de ReferênciaTese ou Dissertação (Thesis)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/3R36HK5
Repositóriosid.inpe.br/mtc-m21c/2018/05.02.23.02
Última Atualização2018:08.15.12.00.23 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2018/05.02.23.02.06
Última Atualização dos Metadados2020:12.07.21.11.34 (UTC) administrator
Chave SecundáriaINPE-18045-TDI/2755
Chave de CitaçãoSantos:2018:SiClIm
TítuloSistema de classificação de imagens mono e multifontes baseado em distâncias estocásticas e testes de hipóteses associados
Título AlternativoMono and multi-source image classification system based on stochastic distances and associated hypothesis tests
CursoCAP-COMP-SESPG-INPE-MCTIC-GOV-BR
Ano2018
Data2018-05-03
Data de Acesso24 abr. 2024
Tipo da TeseDissertação (Mestrado em Computação Aplicada)
Tipo SecundárioTDI
Número de Páginas207
Número de Arquivos1
Tamanho11814 KiB
2. Contextualização
AutorSantos, Michael Douglas Lemes dos
BancaKörting, Thales Sehn (presidente)
Sant'Anna, Sidnei João Siqueira (orientador)
Bins, Leonardo Sant'Anna
Shiguemori, Elcio Hideiti
Fernandes, David
Endereço de e-Mailmichaeldlds@gmail.com
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Histórico (UTC)2018-05-02 23:02:06 :: michaeldlds@gmail.com -> pubtc@inpe.br ::
2018-05-08 13:18:23 :: pubtc@inpe.br -> administrator ::
2018-06-04 01:52:24 :: administrator -> michaeldlds@gmail.com ::
2018-06-21 23:12:46 :: michaeldlds@gmail.com -> pubtc@inpe.br ::
2018-07-12 13:52:06 :: pubtc@inpe.br -> administrator ::
2018-08-10 11:58:22 :: administrator -> simone ::
2018-08-10 12:04:29 :: simone :: -> 2018
2018-08-10 12:05:10 :: simone -> administrator :: 2018
2018-08-12 06:16:00 :: administrator -> simone :: 2018
2018-08-15 18:02:47 :: simone -> administrator :: 2018
2020-07-23 12:08:40 :: administrator -> simone :: 2018
2020-07-23 12:09:02 :: simone -> administrator :: 2018
2020-12-07 21:11:34 :: administrator -> simone :: 2018
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chaveclassificação de imagens
classificação multifontes
divergência
distâncias estocásticas
testes de hipótese
image classification
multi-source classification
divergence
stochastic distances
hypothesis test
ResumoA classificação de imagens oriundas de sensores orbitais, utilizadas em áreas do conhecimento como o sensoriamento remoto, é uma tarefa fundamental para o estudo do uso e ocupação do solo. A quantidade de sensores que atuam em diferentes faixas do espectro eletromagnético e a disponibilização dos dados para a comunidade científica tem tido um acréscimo considerável. Inevitavelmente, diferentes técnicas têm sido estudadas e utilizadas para a classificação de imagens. Encontram-se na literatura algumas técnicas que são baseadas em conceitos da Teoria da Informação, como divergências e distâncias estocásticas, e que são adequadas para imagens ópticas e de radar. Tem-se considerado também a natureza muitas vezes complementar entre sensores distintos, pois diante das diferenças significativas entre imagens provenientes destes sensores, técnicas que integrem estas informações podem trazer contribuições significativas para o processamento e análise destas imagens. Neste sentido, objetiva-se neste trabalho o desenvolvimento de um sistema computacional que permite a classificação de dados mono e multifontes provenientes de distintos sensores (ópticos e de micro-ondas). O classificador implementado é estatístico, supervisionado, de regiões e baseado em distâncias estocásticas e testes de hipótese associados. Distâncias estas calculadas para as funções densidades de probabilidade Wishart, Par de Intensidade, Gama e Gaussiana Multivariada que são utilizadas, respectivamente, para modelar dados SAR Polarimétrico completo, SAR Par de intensidade e SAR monocanal em intensidade e ópticos. O sistema computacional também é desenvolvido em uma plataforma computacional amigável, flexível e gratuita na linguagem C++ e o suporte para o processamento dos dados geoespaciais é dado pela biblioteca TerraLib. Foram feitos dois casos de testes que evidenciaram a corretitude, confiabilidade e completitude do sistema e a validação dos resultados. Dados SAR monocanais em intensidade foram aplicados e analisados pela primeira vez nas classificações mono e multifontes baseadas em distâncias estocásticas e testes de hipóteses. Para os dados em estudo, os canais HV e VV foram tão eficazes quanto os dados bivariados e polarimétricos completos para a classificação monofonte. Nas classificações multifontes com as combinações da soma e dos mínimos, os índices de avaliação das classificações envolvendo a imagem monocanal foram equivalentes aos índices das classificações que envolveram os outros dados. Na combinação do produto, a classificação envolvendo o dado modelado por meio da distribuição Gama teve resultados inferiores. Além de permitir a classificação de dados monocanais SAR em intensidade, o desenvolvimento da plataforma computacional significou a concretização da metodologia de classificação multifontes baseada em distâncias estocásticas e testes de hipóteses 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.
ÁreaCOMP
Arranjourlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Sistema de classificação...
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
@4primeirasPaginas.pdf 10/08/2018 09:05 196.8 KiB 
Avaliação final pag 01 e 02 de Michael Douglas Lemes dos Santos.pdf 10/08/2018 09:04 411.7 KiB 
Dissertação Michael 21 de junho.pdf 10/08/2018 09:04 11.1 MiB
Conteúdo da Pasta agreement
autorizacao.pdf 10/08/2018 09:04 965.9 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/3R36HK5
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/3R36HK5
Idiomapt
Arquivo Alvopublicacao.pdf
Grupo de Usuáriosgabinete@inpe.br
michaeldlds@gmail.com
pubtc@inpe.br
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.10
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2017/11.22.19.04.03
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
DivulgaçãoBNDEPOSITOLEGAL
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaTese ou Dissertação (Thesis)
Sitemtc-m16d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP7W/3DJMB48
Repositóriosid.inpe.br/mtc-m19/2013/02.20.16.22
Última Atualização2013:05.14.16.14.48 (UTC) administrator
Repositório de Metadadossid.inpe.br/mtc-m19/2013/02.20.16.22.57
Última Atualização dos Metadados2018:06.05.04.13.58 (UTC) administrator
Chave SecundáriaINPE-17186-TDI/2032
Chave de CitaçãoSilva:2013:ApDaPo
TítuloClassificação de regiões de imagens utilizando testes de hipótese baseados em distâncias estocásticas: aplicações a dados polarimétricos
Título AlternativoClassification of image regions using hypothesis test based on stochastic distances: applications to polarimetric data
CursoSER-SRE-SPG-INPE-MCTI-GOV-BR
Ano2013
Data2013-03-06
Data de Acesso24 abr. 2024
Tipo da TeseTese (Doutorado em Sensoriamento Remoto)
Tipo SecundárioTDI
Número de Páginas165
Número de Arquivos1
Tamanho3616 KiB
2. Contextualização
AutorSilva, Wagner Barreto da
GrupoSER-SRE-SPG-INPE-MCTI-GOV-BR
BancaDutra, Luciano Vieira (presidente)
Freitas, Corina da Costa (orientadora)
Orgambide, Alejandro Cesar Frery (orientador)
Sant'Anna, Sidnei João Siqueira
Correia, Antônio Henrique
Nascimento, Abraão David Costa do
Endereço de e-Mailwbarreto.w3@gmail.com
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Histórico (UTC)2013-02-20 16:33:43 :: wbarreto.w3@gmail.com -> yolanda ::
2013-04-08 14:22:48 :: yolanda -> wbarreto.w3@gmail.com ::
2013-05-03 11:57:38 :: wbarreto.w3@gmail.com -> administrator ::
2013-05-14 13:15:34 :: administrator -> lmanacero@yahoo.com ::
2013-05-14 16:15:48 :: lmanacero@yahoo.com -> tereza@sid.inpe.br ::
2013-05-27 17:28:14 :: tereza@sid.inpe.br :: -> 2013
2013-05-27 17:56:04 :: tereza@sid.inpe.br -> administrator :: 2013
2018-06-05 04:13:58 :: administrator -> :: 2013
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-ChaveClassificação por regiões
distâncias estocásticas
testes de hipótese
polarimetria
region-based classification
stochastic distances
hypothesis tests
polarimetry
ResumoEste trabalho tem por objetivo a proposição, desenvolvimento e avaliação de um classificador por regiões com base em distâncias estocásticas e seus testes de hipótese associados. O classificador é organizado em três módulos, divididos segundo a modelagem estatística e o tipo de imagem para a qual o módulo é destinado. O primeiro módulo destina-se à classificação de imagens de radar de abertura sintética polarimétrico (PoISAR) e adota a distribuição de Wishart complexa escalonada para modelagem das matrizes de covariância; o segundo módulo, o qual se destina à classificação de pares de imagens SAR em intensidade \textit{multi-look}, adota a distribuição Par de Intensidades \textit{multi-look}, desenvolvida por Lee et al. (1994a); o terceiro módulo, que se destina à classificação de imagens SAR multi variadas em amplitude e imagens de sensores óticos, utiliza a distribuição gaussiana multi variada. Foram utilizadas distâncias estocásticas disponíveis na literatura, específicas para cada módulo, obtidas segundo o procedimento formal da família de divergências \textit{h}-$\phi$, desenvolvido por Salicru et al. (1994). A partir das expressões para as distâncias, foram desenvolvidas expressões para as estatísticas de teste a serem utilizadas na classificação. Ao final do processo de classificação, são gerados a imagem classificada e um mapa indicativo que mostra os segmentos para os quais a hipótese nula do teste não foi rejeitada ao nível de significância de 5\%. Com a utilização de dados simulados com autocorrelação espacial, foi verificada a alta influência da autocorrelação no desempenho do teste. Com a finalidade de avaliar o classificador, aplicações foram feitas segundo duas abordagens. Na primeira, com dados simulados segundo a distribuição de Wishart complexa escalonada com 4 visadas. Para a maioria das distâncias disponíveis entre distribuições Wishart: Bhattacharyya, Kullback-Leibler, Hellinger e Rényi de ordem $\beta$, os resultados de classificação foram idênticos entre si e muito próximos do esperado teoricamente. Aplicações em dados simulados em amplitude multivariada e em pares de intensidade alcançaram resultados de classificação e de taxas de rejeição do teste de hipótese ligeiramente inferiores aos dos dados PoISAR, mas ainda próximos do esperado. Na segunda abordagem, o classificador foi aplicado a dados PolSAR reais, em que foram utilizadas imagens polarimétricas \textit{multi-look} (HH, HV e VV) da missão SIR-C/X-SAR, nas bandas L e C. Os resultados de classificação foram avaliados a partir dos valores da acurácia global e do coeficiente de concordância \textit{kappa (k}). Esses resultados de classificação, de modo geral, foram considerados excelentes para a banda L, com valores de k maiores do que 0,82, e muito bons para a banda C, com valores de k maiores do que 0,70. Os resultados com os dados SAR em amplitude multivariada e pares de imagens SAR em intensidade mostraram-se valiosos pela possibilidade da indisponibilidade de dados PolSAR. Os resultados de classificação de dados PolSAR reais, dos dois conjuntos de dados, foram comparados com resultados obtidos por um classificador pontual/ contextual, que utiliza o algoritmo \textit{Iterated Conditional Modes} (ICM) (CORREIA, 1998). Desta comparação pôde-se observar que a classificação por regiões supera significativamente a contextual, em ambos os casos. No caso da banda L, o classificador por regiões superou o pontual/contextual em aproximadamente 4\% e no caso da banda C, em aproximadamente 20\%. ABSTRACT: This work aims at the proposal, developing and evaluation of a region based elassifier based on stochastic distances and hypothesis tests. The classifier is organized into three modules, divided according to the assumed statistical mo del and to the image type used. The first module is intended to the polarimetric synthetic aperture radar (PolSAR) data classification and assumes the scaled complex Wishart distribution for covariance matrices modeling; the second one, which is intended to the classification of SAR images pairs in intensity, assumes the \textit{multi-look} Intensity-Pair distribution developed by Lee et al. (1994a); the third one, which is intended to the classification of multivariate SAR images in amplitude and images from optical sensors, assumes a multivariate Gaussian model. Stochastic distances available in the literature were applied. Such distances were obtained according to the \textit{h}-$\phi$ class of divergences proposed by Salicru et al. (1994). From the applied distances, expressions for the test statistics to be used in classification were developed. At the end of the classification process, the classified image and an indicative map which shows the segments for which the null hypothesis was not rejected at the significance level of 5\% are obtained. Using simulated data with spatial correlation, was verified the high influence of such contamination on the hypothesis test performance. Aiming at the classifier evaluation, applications were conducted under two approaches. In the first one, with complex scaled Wishart simulated data with 4 looks. For most distances between Wishart distribution: Bhattacharyya, Kullback-Leibler, Hellinger and Rényi of order $\beta$, the classification results were identical and very close to the theoretically expected value. Applications to simulated data in multivariate amplitude format and intensity pairs with use of the Bhattacharyya distance between appropriate distributions achieved classification results and null hypothesis rejection rates slightly lower than the data PolSAR data results, but still close to theoretical expectations. In the second approach, the classifier was applied to real PolSAR data, when polarimetric \textit{multi-look} images (HH, HV and VV), bands L and C, were used. The classification results were evaluated using the overall accuracy and \textit{kappa (k}) coefficient of agreement. These classification results, in general, were considered excellent for the L band data, with \textit{k}, greater than 0,82, and very good for C band data, with \textit{k} greater than 0,70. The multivariate amplitude SAR data results and intensity pair data results were valuable considering of the real possibility of data PolSAR absence in practical situations. The classification results of real PolSAR data, from the two data set, were compared with results obtained by a punctual/ contextual approach classifier which uses a \textit{lterated Conditional Modes} (ICM) (CORREIA, 1998) algorithm. From this analysis, we observed that the region based classification sig-nificantly outperforms the contextual classification. In the L band case, the region based classifier outperformed the punctual/contextual approximately in 4\% and in the C band case, in approximately in 20\%.
ÁreaSRE
Arranjourlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Classificação de regiões...
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
arquivos.zip 14/05/2013 13:06 28.0 MiB
Originais/@4primeirasPaginas.pdf 14/05/2013 11:36 777.6 KiB 
Originais/aprovacao.pdf 03/05/2013 16:10 172.6 KiB 
Originais/publicacao.pdf 03/05/2013 11:28 10.4 MiB
publicacao.pdf 14/05/2013 11:43 3.5 MiB
Conteúdo da Pasta agreement
agreement.html 20/02/2013 13:22 1.7 KiB 
autorizacao.pdf 14/05/2013 13:14 2.9 MiB
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP7W/3DJMB48
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP7W/3DJMB48
Idiomapt
Arquivo Alvopublicacao.pdf
Grupo de Usuáriosadministrator
lmanacero@yahoo.com
tereza@sid.inpe.br
wbarreto.w3@gmail.com
yolanda.souza@mcti.gov.br
Grupo de Leitoresadministrator
lmanacero@yahoo.com
tereza@sid.inpe.br
wbarreto.w3@gmail.com
yolanda.souza@mcti.gov.br
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.20.35
Detentor da CópiaSID/SCD
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhoiconet.com.br/banon/2006/11.26.21.31
Unidades Imediatamente Superiores8JMKD3MGPCW/3F3NU5S
DivulgaçãoBNDEPOSITOLEGAL
Acervo Hospedeirosid.inpe.br/mtc-m19@80/2009/08.21.17.02
6. Notas
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype creatorhistory descriptionlevel doi electronicmailaddress format isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readpermission resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemarte2.sid.inpe.br
Identificador8JMKD3MGP6W34M/3TUPDES
Repositóriosid.inpe.br/marte2/2019/09.04.17.19
Última Atualização2019:09.04.17.19.55 (UTC) administrator
Repositório de Metadadossid.inpe.br/marte2/2019/09.04.17.19.55
Última Atualização dos Metadados2020:01.06.12.30.34 (UTC) administrator
ISBN978-85-17-00097-3
Chave de CitaçãoBragaSantFrei:2019:DiEsAp
TítuloDistância estocástica aplicada à integração de dados Landsat5/TM e Radarsat-2 para classificação de imagens em classes mistas
FormatoInternet
Ano2019
Data de Acesso24 abr. 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho1043 KiB
2. Contextualização
Autor1 Braga, Bruna Cristina
2 Sant'Anna, Sidnei João Siqueira
3 Freitas, Corina da Costa
Grupo1 DIDPI-CGOBT-INPE-MCTIC-GOV-BR
2 DIDPI-CGOBT-INPE-MCTIC-GOV-BR
3 DIDPI-CGOBT-INPE-MCTIC-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 bruna.braga@inpe.br
2 sidnei.santanna@inpe.br
3 corina.freitas@gmail.com
EditorGherardi, Douglas Francisco Marcolino
Sanches, Ieda DelArco
Aragão, Luiz Eduardo Oliveira e Cruz de
Nome do EventoSimpósio Brasileiro de Sensoriamento Remoto, 19 (SBSR)
Localização do EventoSantos
Data14-17 abril 2019
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Páginas903-906
Título do LivroAnais
Tipo Terciáriofull paper
OrganizaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Histórico (UTC)2019-11-01 13:42:38 :: simone -> administrator :: 2019
2020-01-06 12:30:34 :: administrator -> simone :: 2019
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-ChaveClassificação multifonte
distâncias estocásticas
imagem óptica
imagem SAR
cenário Fuzzy
Multisource classification
stochastic distances
optical image
SAR image
Fuzzy scenario
ResumoNeste trabalho é gerada e analisada uma classificação multifonte baseada em um novo método de integração de dados classificados denominado Metodologia Multifonte. Este método é aplicado a duas imagens provenientes de sensores distintos por meio da construção do Cenário de classificação Fuzzy. Este Cenário é constituído por uma imagem classificada em classes mistas e uma imagem de confiabilidade. Com o objetivo de verificar a efetividade do método, imagens Radarsat-2 e Landsat5/TM foram utilizadas. Os indicadores utilizados foram os valores de acurácia por classe obtidos nas classificações. Os resultados revelaram uma classificação em classes mistas com alta confiabilidade e altos valores de acurácia por classe, representando aumentos de 39% a 254% em relação as acurácias individuais. ABSTRACT: In this paper, a multisource classification based on a new classified data integration method called "Multisource Methodology" is generated and analyzed. This method is applied to two images derived from different sensors by means of a Fuzzy classification scenario construction. A mixed classes classified image and a reliability image compose this scenario. In order to verify the effectiveness of the multisource method, Radarsat-2 and Landsat5/ TM images were used. The accuracy values per class obtained by individual classifications and multisource classification were used as indicators. The results revealed a mixed classes classification with high reliability and high values of accuracy per class, representing increases of 39% to 254% in relation to individual occurrences.
ÁreaSRE
TipoClassificação e mineração de dados
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDPI > Distância estocástica aplicada...
Arranjo 2urlib.net > BDMCI > Fonds > SBSR > SBSR 19 > Distância estocástica aplicada...
Arranjo 3urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDSR > SBSR 19 > Distância estocástica aplicada...
Arranjo 4Projeto Memória 60... > Livros e livros editados > SBSR 19 > Distância estocástica aplicada...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP6W34M/3TUPDES
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP6W34M/3TUPDES
Idiomapt
Arquivo Alvo97274.pdf
Grupo de Usuáriossimone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.19
Detentor dos Direitosoriginalauthor yes
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2011/03.29.20.55
Unidades Imediatamente Superiores8JMKD3MGPCW/3EQCCU5
8JMKD3MGP6W34M/3UCAT7H
Lista de Itens Citandosid.inpe.br/bibdigital/2013/09.09.15.05 2
Acervo Hospedeirodpi.inpe.br/marte2/2013/05.17.15.03.06
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi e-mailaddress edition holdercode issn label lineage mark nextedition notes numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup readpermission resumeid schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark url versiontype volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemarte2.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP6W34M/3JM47M5
Repositóriosid.inpe.br/marte2/2015/06.15.14.38.27
Última Atualização2015:06.15.14.38.27 (UTC) banon
Repositório de Metadadossid.inpe.br/marte2/2015/06.15.14.38.28
Última Atualização dos Metadados2018:06.06.03.18.32 (UTC) administrator
ISBN978-85-17-0076-8
Rótulo193
Chave de CitaçãoCohencaCarv:2015:CoMéCl
TítuloComparação de métodos de classificação OBIA, Máxima Verossimilhança e Distância Mínima em imagem OLI/Landsat-8 em área de alta diversidade de uso do solo
FormatoInternet
Ano2015
Data de Acesso24 abr. 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho861 KiB
2. Contextualização
Autor1 Cohenca, Daniel
2 Carvalho, Raquel
Endereço de e-Mail do Autor1 dcohenca1@gmail.com
EditorGherardi, Douglas Francisco Marcolino
Aragão, Luiz Eduardo Oliveira e Cruz de
Endereço de e-Mailwanderf@dsr.inpe.br
Nome do EventoSimpósio Brasileiro de Sensoriamento Remoto, 17 (SBSR)
Localização do EventoJoão Pessoa
Data25-29 abr. 2015
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Páginas1035-1042
Título do LivroAnais
OrganizaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Histórico (UTC)2015-06-15 14:38:28 :: banon -> administrator ::
2018-06-06 03:18:32 :: administrator -> banon :: 2015
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
ResumoThe great demand for reliable thematic maps requires testing different methods of classification to determine the most appropriate considering land use diversity, research objectives, satellite images available and time invested. To identify the most appropriate classification method for an OLI/Landsat-8 satellite image covering a coastal region in Santa Catarina state, Brazil, three methods were tested for their accuracy: Maximum Likelihood and Minimum Distance, pixel based supervised classifications, and Object Based Image Analysis (OBIA) based on image segmentation into regions and separation of classes based on geometric, textural and spectral values. The accuracy assessment for each classification method was based in a stratified random independent sampling to build an error matrix for the global and conditional (per class) Kappa coefficients calculation. In agreement with our results, the maximum likelihood and OBIA classifiers had a better performance in comparison to Minimum Distance method. By other hand, the poorest performance of the Minimum Distance method suggests that the use of spectral mean value only to classify single pixels is not appropriate to the classification process. Although differences of Global Kappa coefficients between OBIA and MaxVer methods were not significant, the assessment of conditional Kappa coefficients for each class evidenced significant differences. Structural differences between these two methods are discussed regarding the achieved results and also on the considerations around time-consuming efforts of an interpreter in the case of OBIA.
ÁreaSRE
TipoClassificação e mineração de dados
Arranjo 1urlib.net > BDMCI > Fonds > SBSR > SBSR 17 > Comparação de métodos...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDSR > SBSR 17 > Comparação de métodos...
Arranjo 3Projeto Memória 60... > Livros e livros editados > SBSR 17 > Comparação de métodos...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP6W34M/3JM47M5
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP6W34M/3JM47M5
Idiomapt
Arquivo Alvop0193.pdf
Grupo de Usuáriosbanon
Visibilidadeshown
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2011/03.29.20.55
Unidades Imediatamente Superiores8JMKD3MGP6W34M/3JJLLP2
Lista de Itens Citandosid.inpe.br/marte2/2015/05.31.21.54 4
Acervo Hospedeirodpi.inpe.br/marte2/2013/05.17.15.03.06
6. Notas
Campos Vaziosaffiliation archivingpolicy archivist callnumber contenttype copyholder copyright creatorhistory descriptionlevel dissemination documentstage doi edition group issn keywords lineage mark nextedition notes numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype url versiontype volume
7. Controle da descrição
e-Mail (login)banon
atualizar