Classificação de texturas usando modelos ARMA e distâncias da função de autocorrelação

• Ano de defesa: 1989
• Autor(a) principal: Luciano Vieira Dutra
• Orientador(a): Nelson Delfino d'Ávila Mascarenhas, Gerald Jean Francis Banon
• Banca de defesa: Fernando Toshinori Sakane, Jacques Szczupak, Osamu Saotome
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Computação Aplicada
• País: BR
• Resumo em Inglês: 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.
• Link de acesso: http://urlib.net/sid.inpe.br/iris@1905/2005/07.28.01.55

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.