Desenvolvimento de uma meta-metodologia para classificação contextual que preserve feições estreitas (META-CCP) em imagens digitais

• Ano de defesa: 2019
• Autor(a) principal: Willian Vieira de Oliveira
• Orientador(a): Luciano Vieira Dutra, Sidnei João Siqueira Sant'Anna
• Banca de defesa: Thales Sehn Körting, Marinalva Dias Soares, Rogério Galante Negri
• 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: 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 Classificação Contextual que Preserve feições 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.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m21c/2019/02.04.18.14

Classificação de imagens multiespectrais representa um procedimento essencial na análise de dados de sensoriamento remoto. De forma geral, o processo de classificação tem por objetivo categorizar os pixels que compõem uma imagem em relação a um determinado conjunto de classes. Classificadores por pixel tradicionais, os quais se baseiam apenas em informação espectral, tendem a produzir produtos ruidosos, o que pode estar relacionado tanto à variabilidade das amostras consideradas, quanto à variabilidade espectral observada na superfície imageada. No intuito de remover estes ruídos, métodos contextuais de classificação e pós-classificação são comumente utilizados. Entretanto, nestes processamentos, algumas feições também são eliminadas. Neste contexto, o presente trabalho aborda o problema de preservação de feições durante a aplicação de métodos contextuais de classificação em imagens multiespectrais. Este trabalho introduz uma nova abordagem de classificação, denominada Meta-metodologia de Classificação Contextual que Preserve feições estreitas (META-CCP), a qual permite conciliar remoção de ruídos e preservação de feições finas. A METACCP se baseia na identificação de pixels de alta discriminabilidade, ou seja, pixels onde a classe escolhida pelo classificador pode ser claramente distinguida das demais alternativas de classificação. Estes pixels são preservados durante a aplicação da abordagem contextual. Dessa forma, a META-CCP permite direcionar a aplicação de classificadores contextuais apenas às áreas mais susceptíveis a erros de classificação, de forma a favorecer a remoção de ruídos sem comprometer a representação das demais feições. Além disso, essa meta-metodologia permite a aplicação de diferentes métodos de classificação na etapa contextual. No intuito de validar o método desenvolvido, dois estudos de caso foram desenvolvidos, considerando tanto a classificação de imagens sintéticas quanto de imagem real de sensoriamento remoto. Em ambos os estudos realizados, a META-CCP foi aplicada considerando dois diferentes métodos contextuais de classificação: o filtro de maioria e o algoritmo ICM. Os resultados obtidos mostram que o método proposto permite reduzir eficientemente ruídos de classificação, sem resultar em danos significativos a feições estreitas.