%0 Thesis
%4 sid.inpe.br/iris@1912/2005/07.20.11.21
%2 sid.inpe.br/iris@1912/2005/07.20.11.21.51
%F 8281
%T Classificação textural de imagens SAR, por modelagem autorregressiva
%J SAR image textural classification by autorregressive modelling
%D 1998
%8 1998-05-19
%9 Dissertação (Mestrado em Sensoriamento Remoto)
%P 194
%A Soares, Sérgio Monteiro,
%E Dutra, Luciano Vieira (presidente/orientador),
%E Yanasse, Corina da Costa Freitas,
%E Banon, Gerald Jean Francis,
%E Santos, João Roberto dos,
%E Waldecir, João Perrela,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C Sao Jose dos Campos
%K processamento digital de imagens, análise de imagens, imagem de radar, filtros de radar, técnicas de imagens de radar, análise de regressão, processos autorregressivos.
%X O propósito deste trabalho consiste em apresentar um método extração de atributos de textura, por modelagem autorregressiva, para classificação supervisionada de imagens SAR, utilizando amostras unidimensionais, formadas pela concatenação de suas linhas. A classificação e executada usando um procedimento bidimensional, pelo mapeamento dos elementos dos filtros. Os parâmetros autorregressivos são estimados pelo algoritmo de Levinson-Durbin, os quais sao usados como elementos dos filtros inversos autorregressivos. Depois da filtragem autorregressiva dois outros procedimentos de filtragens (atributos de branqueamento obtidos pelo calculo da função de autocorrelação local de "lags" (1,0) e (0,1) e um filtro de energia local) são aplicados, em paralelo, sobre a imagem SAR original, filtrada pelo filtro inverso autorregressivo, para melhoria de bordas das feições identificadas. O método e testado sobre imagens SAR JERS-1 e RADARSAT da Floresta Nacional do Tapajos (FLONA). As classes identificadas para um mosaico JERS-1 foram Floresta Primaria Densa e Floresta Primaria Ondulada. Para as imagens JERS-1 continua e RADARSAT foram identificadas as classes Floresta Primaria, Floresta Secundaria (aqui chamada simplesmente de Rebrota) e Solo Exposto (englobando: Pasto, Pasto Sujo e Solo Exposto). Para as imagens acima, uma imagem Landsat TM, na composição colorida RGB-543, da mesma região, foi utilizada como "verdade de campo". Para testar o modelo em outra área, que não a Floresta Amazônica, foi utilizada uma imagem SAR-580, de uma região da Alemanha, na qual foram identificadas as classes Floresta, Cultura (restos de culturas agrícolas) e Solo Exposto. Depois da seleção das amostras de classes (amostras de treinamento e teste), em cada imagem, o método foi testado resultando num conjunto de bandas filtradas, para cada imagem. Sobre estes conjuntos de bandas filtradas, foi usado o classificador de Máxima Verossimilhança multibandas. Os resultados das classificações, de cada imagem, foram testados utilizando-se a Matriz de Confusão. ABSTRACT: The aim of this work is to present a method of textural feature extraction by autorregressive modelling to supervised SAR image classification. The classification is performed using a bidimensional processing. The autorregressive parameters are estimated using the Levinson-Durbin algorithm and they are used as the inverse filters elements. After that, two other approaches (whitening features by local autocorrelation function with lags (1,0) and (0,1) calculation and energy filter achievement) were applyed over the original filtered SAR image, as a way to improve the classification on the edges of the classes. The method was tested over JERS-1 (L band) SAR image and RADARSAT (C band) image from "Floresta Nacional do Tapajós" (FLONA). The identified classes for JERS-1 mosacic were Dense Primary Forest and Undulate Primary Forest. For continuous JERS-1 image and RADARSAT image the identified classes were Primary Forest, Secondary Forest and Bare Soil. For JERS-1 and RADARSAT images a Landsat TM image in color composition RGB-543, from the same area was used as ground truth. To experiment this modelling in other area a SAR-580 SAR image, from a Germany region, was also used, with identified classes Forest, Agricultural Area and Bare Soil. After the selection of samples from those classes (training and test regions) the method was tested, resulting a set of filtered bands from the original SAR image. Over this set of bands the Maximum Likelihood multibands classifier was used. The results were analysed using the confusion matrix.
%@language pt
%3 publicacao.pdf