Classificação de regiões de imagens utilizando testes de hipótese baseados em distâncias estocásticas: aplicações a dados polarimétricos

• Main Author: Wagner Barreto da Silva
• Other Authors: Corina da Costa Freitas
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais (INPE) 2013
• Online Access: http://urlib.net/sid.inpe.br/mtc-m19/2013/02.20.16.22

Este trabalho tem por objetivo a proposição, desenvolvimento e avaliação de um classificador por regiões com base em distâncias estocásticas e seus testes de hipótese associados. O classificador é organizado em três módulos, divididos segundo a modelagem estatística e o tipo de imagem para a qual o módulo é destinado. O primeiro módulo destina-se à classificação de imagens de radar de abertura sintética polarimétrico (PoISAR) e adota a distribuição de Wishart complexa escalonada para modelagem das matrizes de covariância; o segundo módulo, o qual se destina à classificação de pares de imagens SAR em intensidade \textit{multi-look}, adota a distribuição Par de Intensidades \textit{multi-look}, desenvolvida por Lee et al. (1994a); o terceiro módulo, que se destina à classificação de imagens SAR multi variadas em amplitude e imagens de sensores óticos, utiliza a distribuição gaussiana multi variada. Foram utilizadas distâncias estocásticas disponíveis na literatura, específicas para cada módulo, obtidas segundo o procedimento formal da família de divergências \textit{h}-$\phi$, desenvolvido por Salicru et al. (1994). A partir das expressões para as distâncias, foram desenvolvidas expressões para as estatísticas de teste a serem utilizadas na classificação. Ao final do processo de classificação, são gerados a imagem classificada e um mapa indicativo que mostra os segmentos para os quais a hipótese nula do teste não foi rejeitada ao nível de significância de 5\%. Com a utilização de dados simulados com autocorrelação espacial, foi verificada a alta influência da autocorrelação no desempenho do teste. Com a finalidade de avaliar o classificador, aplicações foram feitas segundo duas abordagens. Na primeira, com dados simulados segundo a distribuição de Wishart complexa escalonada com 4 visadas. Para a maioria das distâncias disponíveis entre distribuições Wishart: Bhattacharyya, Kullback-Leibler, Hellinger e Rényi de ordem $\beta$, os resultados de classificação foram idênticos entre si e muito próximos do esperado teoricamente. Aplicações em dados simulados em amplitude multivariada e em pares de intensidade alcançaram resultados de classificação e de taxas de rejeição do teste de hipótese ligeiramente inferiores aos dos dados PoISAR, mas ainda próximos do esperado. Na segunda abordagem, o classificador foi aplicado a dados PolSAR reais, em que foram utilizadas imagens polarimétricas \textit{multi-look} (HH, HV e VV) da missão SIR-C/X-SAR, nas bandas L e C. Os resultados de classificação foram avaliados a partir dos valores da acurácia global e do coeficiente de concordância \textit{kappa (k}). Esses resultados de classificação, de modo geral, foram considerados excelentes para a banda L, com valores de k maiores do que 0,82, e muito bons para a banda C, com valores de k maiores do que 0,70. Os resultados com os dados SAR em amplitude multivariada e pares de imagens SAR em intensidade mostraram-se valiosos pela possibilidade da indisponibilidade de dados PolSAR. Os resultados de classificação de dados PolSAR reais, dos dois conjuntos de dados, foram comparados com resultados obtidos por um classificador pontual/ contextual, que utiliza o algoritmo \textit{Iterated Conditional Modes} (ICM) (CORREIA, 1998). Desta comparação pôde-se observar que a classificação por regiões supera significativamente a contextual, em ambos os casos. No caso da banda L, o classificador por regiões superou o pontual/contextual em aproximadamente 4\% e no caso da banda C, em aproximadamente 20\%. === This work aims at the proposal, developing and evaluation of a region based elassifier based on stochastic distances and hypothesis tests. The classifier is organized into three modules, divided according to the assumed statistical mo del and to the image type used. The first module is intended to the polarimetric synthetic aperture radar (PolSAR) data classification and assumes the scaled complex Wishart distribution for covariance matrices modeling; the second one, which is intended to the classification of SAR images pairs in intensity, assumes the \textit{multi-look} Intensity-Pair distribution developed by Lee et al. (1994a); the third one, which is intended to the classification of multivariate SAR images in amplitude and images from optical sensors, assumes a multivariate Gaussian model. Stochastic distances available in the literature were applied. Such distances were obtained according to the \textit{h}-$\phi$ class of divergences proposed by Salicru et al. (1994). From the applied distances, expressions for the test statistics to be used in classification were developed. At the end of the classification process, the classified image and an indicative map which shows the segments for which the null hypothesis was not rejected at the significance level of 5\% are obtained. Using simulated data with spatial correlation, was verified the high influence of such contamination on the hypothesis test performance. Aiming at the classifier evaluation, applications were conducted under two approaches. In the first one, with complex scaled Wishart simulated data with 4 looks. For most distances between Wishart distribution: Bhattacharyya, Kullback-Leibler, Hellinger and Rényi of order $\beta$, the classification results were identical and very close to the theoretically expected value. Applications to simulated data in multivariate amplitude format and intensity pairs with use of the Bhattacharyya distance between appropriate distributions achieved classification results and null hypothesis rejection rates slightly lower than the data PolSAR data results, but still close to theoretical expectations. In the second approach, the classifier was applied to real PolSAR data, when polarimetric \textit{multi-look} images (HH, HV and VV), bands L and C, were used. The classification results were evaluated using the overall accuracy and \textit{kappa (k}) coefficient of agreement. These classification results, in general, were considered excellent for the L band data, with \textit{k}, greater than 0,82, and very good for C band data, with \textit{k} greater than 0,70. The multivariate amplitude SAR data results and intensity pair data results were valuable considering of the real possibility of data PolSAR absence in practical situations. The classification results of real PolSAR data, from the two data set, were compared with results obtained by a punctual/ contextual approach classifier which uses a \textit{lterated Conditional Modes} (ICM) (CORREIA, 1998) algorithm. From this analysis, we observed that the region based classification sig-nificantly outperforms the contextual classification. In the L band case, the region based classifier outperformed the punctual/contextual approximately in 4\% and in the C band case, in approximately in 20\%.