| Summary: | Made available in DSpace on 2015-05-14T12:36:53Z (GMT). No. of bitstreams: 1
arquivototal.pdf: 2394889 bytes, checksum: 5c6ccaa494934050681761ba80143978 (MD5)
Previous issue date: 2014-08-30 === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior === Remote sensing is one of the fastest growing technologies of late twentieth and early twenty-first century. The most common use of this term is related to the optical sensing of Earth's surface through satellites. In remote sensing, image segmentation is a process often used to aid in landscape change detection and land use classification. This study aims the research and development of a new method for unsupervised segmentation of remote sensing images by minimizing the cross entropy between the probability distribution of the image and some statistical model. Images used for tests were captured by the Thematic Mapper sensor on Landsat 5 satellite. The proposed algorithm takes an initial segmentation and progresses iteratively, trying to improve the statistical model and reduce the cross entropy with respect to previous iterations. Results indicate that the cross entropy minimization is related to a consistent image segmentation. Two approaches were developed, one by performing a per-pixel classification and the other by classifying regions obtained by the Watershed transform. In per-pixel approach, the average agreement between the classifier and the thematic image used as ground truth was 88.75% for fifteen selected images and 91.81% for four small regions that represent details of land use transitions, such as vegetation, rivers, pastures and exposed soil. In region approach, the average agreement was 87.33% for images and 91.81% for details. The ground truth for image details was manually created by an expert. === Sensoriamento remoto é uma das tecnologias que mais rapidamente cresceu durante o final do século XX e início do século XXI. O uso mais comum deste termo refere-se à observação da superfície terrestre por meio de satélites. Em sensoriamento remoto, segmentação de imagens é um processo frequentemente utilizado no auxílio à detecção de mudança de paisagens e classificação do uso do solo. Este trabalho se propõe à pesquisa e ao desenvolvimento de um método para segmentação não supervisionada de imagens de sensoriamento remoto baseado na minimização da entropia cruzada entre a distribuição de probabilidade da imagem e um modelo estatístico. Para os testes realizados, foram utilizadas quinze imagens capturadas pelo sensor TM (Thematic Mapper) do satélite Landsat 5. A partir do banco de dados do projeto de mapeamento do uso do solo da região amazônica TerraClass, foram derivadas imagens temáticas utilizadas como referência para medir o desempenho do classificador desenvolvido. O algoritmo proposto parte de uma segmentação inicial e busca iterativamente melhorar o modelo estatístico que descreve a imagem, de forma a reduzir a entropia cruzada em relação à iteração anterior. Os resultados indicam que a minimização da entropia cruzada está relacionada com uma segmentação coerente das imagens. Duas abordagens de segmentação foram desenvolvidas, uma realizando classificação pixel a pixel e outra classificando regiões obtidas pela transformada Watershed. Na abordagem por pixel, a concordância média entre o classificador e a imagem temática de referência foi de 88,75% para as quinze imagens selecionadas e de 91,81% para quatro pequenas regiões que representam detalhes de transição entre hidrografia, vegetação e outras paisagens, como área urbana, pastos e solo exposto. Na abordagem por região, a concordância média foi de 87,33% para as imagens e 91,81% para os detalhes. As imagens de referência dos detalhes foram preparadas manualmente por um especialista.
|
|---|
