Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/275573
Type: TESE DIGITAL
Title: Classificação multiclasse multiescala de imagens de sensoriamento remoto
Title Alternative: Multiscale multiclass classification of remote sensing images
Author: Esmael, Agnaldo Aparecido, 1979-
Advisor: Torres, Ricardo da Silva, 1977-
Abstract: Resumo: As imagens de sensoriamento remoto (ISRs) são cada vez mais utilizadas como fonte de dados para elaboração de mapas utilizados nas mais diversas aplicações. Em geral, esse mapas são confeccionados com o auxílio de sistemas de classificação de imagens. Os modernos sensores lançados ao espaço a partir do final da década de 1990 vêm produzindo ISRs de alta resolução espacial. Essas imagens permitem a realização de análises detalhadas da paisagem terrestre. O problema, entretanto, é o ruído "salt-and-pepper'' presente na classificação dessas imagens quando se utilizam as técnicas tradicionais de classificação pixel a pixel. Uma alternativa para superar esse problema é usar métodos de classificação baseado em regiões, conhecidos como Geographic Object-Based Image Analysis (GEOBIA), que têm se mostrado mais apropriados para lidar com imagens de alta resolução espacial. As técnicas GEOBIA utilizam informações extraídas de regiões (por exemplo, textura e forma) para melhor caracterizar os objetos de interesse e, assim, melhorar o resultado da classificação. A segmentação correta das regiões é fundamental para o sucesso de um método GEOBIA, mas encontrar a escala (parâmetro) de segmentação apropriada para uma ISR não é uma tarefa trivial. Nos últimos anos, métodos de classificação multiescala, que utilizam informações de diferentes escalas de segmentação, apresentaram resultados promissores. Entretanto, a forma ideal de combinar as informações de várias escalas ainda é um desafio de pesquisa. Nesta dissertação, propomos sete métodos multiclasse multiescala para classificação de ISRs: M1-OvA, M2-OvO, M3-AdaMH, M4-Samme, M5-MajorityVote, M5-b MajorityVote-ponderado e M6-Cascade. Os quatro primeiros métodos são baseados na técnica de boosting e os três últimos em voto majoritário. Boosting e voto majoritário são técnicas de combinação de classificadores, ou ensemble learning, que visam fazer com que vários classificadores trabalhando em conjunto produzam resultados melhores do que se trabalhassem individualmente. A eficácia dos métodos propostos foi avaliada analisando os resultados dos experimentos realizados em três bases de dados de ISRs. Os métodos foram comparados com o SVM com Kernel RBF, escolhido como baseline, usando como medidas de avaliação a Exatidão Global, o índice Kappa, o índice Tau e a acurácia por classe. Os resultados mostram que todos os métodos propostos são efetivos para classificação de ISRs. Realizamos também testes estatísticos utilizando o teste pareado de Wicoxon signed-rank. Esses testes apontaram que os métodos M5-MajorityVote e M5-b MajorityVote-ponderado são os mais promissores para melhorar a acurácia da classificação. Além disso, os métodos baseados em boosting e o M6-Cascade mostram que são capazes de alcançar resultados tão eficazes quando os do baseline em um tempo de treinamento reduzido

Abstract: Remote sensing images (RSIs) are increasingly used as data source to produce maps used in several applications. Typically, these maps are obtained as the result of the use of image classification systems. Modern sensors launched into space from the end of the 1990s have been producing high spatial resolution RSIs. These images allow performing detailed analysis of the Earth's landscape. One common issue in these images, however, is the salt-and-pepper noise problem, which impact the accuracy of traditional pixel-by-pixel classification techniques. One alternative relies on the use of classification methods based on regions, called as Geographic Object-Based Image Analysis (GEOBIA), which have been demonstrated to be more appropriate to deal with high spatial resolution images. GEOBIA techniques use information extracted from regions (for example, texture and shape characteristics) to better characterize the objects of interest and thus to improve classification results. The correct segmentation of regions is crucial to the success of a GEOBIA method, but finding the appropriate segmentation scale is not a trivial task.Multiscale classification methods, which use information from different segmentation scales, have shown promising results. However, the ideal way to combine information from multiple scales is still a research challenge. In this dissertation, we propose seven multiclass multiscale methods for RSI classification: M1-OvA, M2-OvO, M3-AdaMH, M4-Samme, M5-MajorityVote, M5-b MajorityVote-ponderado, and M6-Cascade. The first four methods are boost-based techniques and the last three are based on the majority vote approach. Boosting and majority voting are techniques of combining classifiers which are aimed at making various classifiers working together to produce better results than if they worked individually. The effectiveness of the proposed methods was evaluated by analyzing the results of experiments conducted in three RSIs datasets. The methods were compared with the baseline SVM with Kernel RBF by measuring the overall accuracy, the Kappa and Tau indexes, and the accuracy per class. The results show that all the proposed methods are effective for RSI classification. The paired Wilcoxon-signed-rank statistical test shows that the M5-MajorityVote and M5-b MajorityVote-ponderado methods are the most promising ones to improve the accuracy of classification results. Furthermore, boost-based methods and M6-Cascade are capable of achieving results as effective as those observed for the baseline at a reduced training time
Subject: Aprendizado de máquina
Imagens de sensoriamento remoto
Classificação multi-classe
Multiescala
Reconhecimento de padrões
Processamento de imagens
Editor: [s.n.]
Date Issue: 2015
Appears in Collections:IC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Esmael_AgnaldoAparecido_M.pdf44.38 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.