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

• Main Author: Luciano Vieira Dutra
• Other Authors: Nelson Delfino d'Avila Mascarenhas
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais (INPE) 1989
• Online Access: http://urlib.net/sid.inpe.br/iris@1905/2005/07.28.01.55

Com o aumento da resolucao das imagens de satelite de recursos terrestres, a informacao de textura torna-se cada vez mais importante como auxilio na detecao e medidas dos objetos presentes nessas imagens. Neste trabalho e proposto um metodo para descrever e classificar texturas baseado em modelos autorregrassivos e de media movel (ARMA) bidimencionais. Esses modelo sao derivados de modelos unidimensionais estimados sobre series unidimensionais obtidas pela concatenacao de linhas ou colunas da imagem e filtradas pelos filtros derivados desses, gerando tantos canais quantos forem as classes de texturas. Considera-se a distribuicao conjunta das saidas dos filtros para cada classe. A imagem e classificada ponto a ponto usando um classificador de maxima versossimilhanca, ou por amostras (conjunto conectado de pixels) usando os criterios de distancia JM, de maxima verossimilhanca amostral ou maioria. E proposto tambem um novo classificador de amostras baseado em distancias da funcao de autocorrelacao bidimensional. Os metodos foram testados usando imagens de radar de abertura sintetica, do livro de Brodatz e imagens SPOT pancromaticas. Os modelos para as classes definidas foram apresentados e discutidos. Os resultados das classificacoes mostraram substancial melhoria no desempenho medio (uma estimativa para a probabilidade de erro), principalmente para os casos onde a diferenca entre a media das classes e pequena. Foi observado tambem um bom desempenho quando se usa o classificfador de amostras baseado em distância entre distribuições. === 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 9set 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.