| Summary: | A classificação de imagens oriundas de sensores orbitais, utilizadas em áreas do conhecimento como o sensoriamento remoto, é uma tarefa fundamental para o estudo do uso e ocupação do solo. A quantidade de sensores que atuam em diferentes faixas do espectro eletromagnético e a disponibilização dos dados para a comunidade científica tem tido um acréscimo considerável. Inevitavelmente, diferentes técnicas têm sido estudadas e utilizadas para a classificação de imagens. Encontram-se na literatura algumas técnicas que são baseadas em conceitos da Teoria da Informação, como divergências e distâncias estocásticas, e que são adequadas para imagens ópticas e de radar. Tem-se considerado também a natureza muitas vezes complementar entre sensores distintos, pois diante das diferenças significativas entre imagens provenientes destes sensores, técnicas que integrem estas informações podem trazer contribuições significativas para o processamento e análise destas imagens. Neste sentido, objetiva-se neste trabalho o desenvolvimento de um sistema computacional que permite a classificação de dados mono e multifontes provenientes de distintos sensores (ópticos e de micro-ondas). O classificador implementado é estatístico, supervisionado, de regiões e baseado em distâncias estocásticas e testes de hipótese associados. Distâncias estas calculadas para as funções densidades de probabilidade Wishart, Par de Intensidade, Gama e Gaussiana Multivariada que são utilizadas, respectivamente, para modelar dados SAR Polarimétrico completo, SAR Par de intensidade e SAR monocanal em intensidade e ópticos. O sistema computacional também é desenvolvido em uma plataforma computacional amigável, flexível e gratuita na linguagem C++ e o suporte para o processamento dos dados geoespaciais é dado pela biblioteca TerraLib. Foram feitos dois casos de testes que evidenciaram a corretitude, confiabilidade e completitude do sistema e a validação dos resultados. Dados SAR monocanais em intensidade foram aplicados e analisados pela primeira vez nas classificações mono e multifontes baseadas em distâncias estocásticas e testes de hipóteses. Para os dados em estudo, os canais HV e VV foram tão eficazes quanto os dados bivariados e polarimétricos completos para a classificação monofonte. Nas classificações multifontes com as combinações da soma e dos mínimos, os índices de avaliação das classificações envolvendo a imagem monocanal foram equivalentes aos índices das classificações que envolveram os outros dados. Na combinação do produto, a classificação envolvendo o dado modelado por meio da distribuição Gama teve resultados inferiores. Além de permitir a classificação de dados monocanais SAR em intensidade, o desenvolvimento da plataforma computacional significou a concretização da metodologia de classificação multifontes baseada em distâncias estocásticas e testes de hipóteses associados. === Image classification from remote sensing imagery is an important task for use and land cover studies. The number of different sensors and the availability of data for the scientific community have had a considerable increase. Inevitably, various techniques have been studied and used for image classification, like techniques based on Information Theory. The complementary nature of different sensors has also been considered due to the important differences among the images obtained from them. Different techniques that integrate this information can bring significant contributions to the processing and analysis of these images. Then, the aim of this work is the development of a computational system for mono and multi-source data (optical and microwave) classification. The classifier methodology is based on stochastic distances and associated hypothesis tests among probability density function of the random variables that represent the information from the different sensors. The probability density functions Wishart, Intensity Pair, Gamma and Gaussian have been considered in order to model polarimetric SAR, bivariate SAR, single-channel SAR e optical data. The classifier is coded using C++ language and the support for geospatial data processing will be given by TerraLib. Two test sets have been applied to verify the correctness, reliability, and completeness of the system and validate the results. Single-channel intensity SAR data have been classified for the first time in this type of methodology, i.e., classification based on stochastic distances and hypothesis tests. HV and VV channels classification results have had as effective as the bivariate and complete polarimetric data for mono-source classifications, for the data set applied in this work. In the multi-source case, single-channel classification results have had effectives for sum and minimum combination types. In the product combination, the classification that involved the data modeled through the Gamma distribution has had inferior results. In addition to allowing the classification of single-channel intensity SAR data, the development of the computational platform is the concretion of multi-source classification methodology based on stochastic distances and associated hypothesis tests.
|
|---|
