Desenvolvimento de classificadores de máxima verossimilhança e ICM para imagens SAR

• Ano de defesa: 1996
• Autor(a) principal: Pedro Ronalt Vieira
• Orientador(a): Corina da Costa Freitas Yanasse, Alejandro Cesar Frery Orgambide
• Banca de defesa: Gilberto Câmara Neto, João Vianei Soares, Sandra Aparecida Sandri, Nelson Delfino d'Ávila Mascarenhas
• Tipo de documento: Dissertação
• 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 Sensoriamento Remoto
• País: BR
• Resumo em Inglês: The purpose of this study is to implement, test and apply a Maximurn Likelihood Classifier (MLC) and a userfriendly contextual Markovian classifier, which use the distributions most appropriate to the Synthethic Aperture Radar (SAR) data. This study presents the main distributions to the SAR data and how several of these distributions arise from the multiplicative model. In order to achieve the proposed aim and to allow future applications of the developed methodology, the implementations have been done in a integrated system for SAR data processing, classification and analysis, with a structure which allows the addition of other models and techniques. The developed system is based on the statistical properties of the data and, besides the necessary functions for the classification, it also allows the determination of the basic statistics of the classes' radiometries, the Chi-Square goodness-of-fit test in order to choose the most suitable distributions for these radiometries, the classification itself, and the evaluation of the results with the Kappa coefficient of agreement for the error matrices. The implemented contextual classifier is the Iterated Conditional Modes (ICM) algorithm. Its formulation for the parameter estimation was done for 8- and 12-coordinate neighborhoods. Tests have been done for the discrimination of three classes in SAR-580 and JERS-l images with different numbers of looks. The analysis of the results indicates that a more precise classification is achieved by using the distributions which are the most suitable for the classes, when compared to those obtained through the classic method that uses Gaussian distributions. Another conclusion is that the ICM algorithm presents results which are always superior to those obtained through the MLC classification, whichever distributions these radiometries may have. The classifications obtained from the ICM have Kappa values that are usually twice than those obtained with the MLC method. Therefore, when using the ICM algorithm, it is possible to achieve good results in the discrimination of classes such as primary forest, regeneration, and deforestation in rainforest areas, as it is the case of the JERS-l images used in this study. The developed system has also some operations which assist the classification of images in general (color table modification and edition, histogram equalization, sample manipulation, decorrelation of observations, arithmetical operations, etc.), and other operations specific for SAR images (speckle filtering, equivalent number of looks estimation, selection of image type and modelling, etc.).
• Link de acesso: http://urlib.net/sid.inpe.br/iris@1912/2005/07.20.06.47.40

Este trabalho tem como objetivo implementar, testar e aplicar um classificador de Máxima Verossimilhança Pontual (MAXVER) e um classificador contextual Markoviano amigável, que utilizam as distribuições mais apropriadas para dados de radares de abertura sintética (SAR). São apresentadas as principais distribuições para os dados SAR e como várias dessas distribuições surgem através do modelo multiplicativo. Para atingir o objetivo proposto e possibilitar aplicações futuras da metodologia desenvolvida, as implementações foram efetuadas na forma de um Sistema Integrado para Processamento, Classificação e Análise de Dados SAR, com uma estrutura que permite a incorporação de outros modelos e técnicas. O sistema desenvolvido baseia-se nas propriedades estatísticas dos dados e, além das funções básicas necessárias para a classificação, possibilita a determinação de estatísticas básicas das radiometrias das classes, a realização do teste Qui-quadrado de aderência para a escolha das distribuições que mais se ajustam a essas radiometrias, a classificação propriamente dita e a avaliação dos resultados com o coeficiente de concordância Kappa para matrizes de confusão. O classificador contextual implementado e o algoritmo das Modas Condicionais Iterativas (ICM), cuja formulação para estimação do parâmetro foi desenvolvida para as vizinhanças de oito e doze coordenadas. Testes foram realizados na discriminação de três classes em imagens SAR-580 e JERS-1 com diferentes números de visadas. A análise dos resultados indica que o uso das distribuições que mais se ajustam às classes leva a classificações de qualidade superior, quando comparadas às obtidas com uso do método clássico, que utiliza a distribuição Gaussiana para os dados. Outra conclusão importante é que o algoritmo ICM apresenta, sob qualquer hipótese para as radiometrias, resultados sempre superiores aos obtidos com a classificação MAXVER. As classificações obtidas pelo primeiro são, em média, mais de duas vezes melhores do que as obtidas pelo método pontual quando comparadas através da estatística Kappa. O uso do algoritmo ICM permite, portanto, obter bons resultados na discriminação de classes como floresta primária, regeneração e desmatamento em áreas de floresta tropical, como é o caso das imagens JERS-1 utilizadas. O sistema desenvolvido possui também algumas operações auxiliares à tarefa de classificação de imagens em geral (modificação e edição da tabela de cores, equalização do histograma, gerenciamento de amostras, decorrelação de observações, operações aritméticas, etc.) e de imagens SAR em particular (filtros redutores de "speckle", estimação do número equivalente de visadas, seleção do tipo de imagem e de modelagem, etc.).