Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/ESBF-A9UM8U
metadata.dc.type: Dissertação de Mestrado
Title: Multimodal classification of remote sensing images
metadata.dc.creator: Edemir Ferreira de Andrade Junior
metadata.dc.contributor.advisor1: Jefersson Alex dos Santos
metadata.dc.contributor.advisor-co1: Arnaldo de Albuquerque Araujo
metadata.dc.contributor.referee1: Arnaldo de Albuquerque Araujo
metadata.dc.contributor.referee2: Marcos Andre Goncalves
metadata.dc.contributor.referee3: Raul Queiroz Feitosa
metadata.dc.description.resumo: Sistemas de Informação Geográfica (SIGs) são ferramentas de computador que analisam, armazenam, manipulam e visualizam informações geográficas em mapas. Permitindo às pessoas mais facilmente verem, interpretarem e entenderem os padrões e relacionamentos, os SIGs são importantes ferramentas que ajudam a tomar decisões em diversas questões relacionadas às políticas públicas de monitoramento ambiental e urbano. Além disso, são instrumentos essenciais para o planejamento do desenvolvimentoeconômico e da análise das atividades de agricultura e extração mineral. Nesse contexto, Imagens de Sensoriamento Remoto (ISRs) têm sido usadas como uma das mais importantes fonte de dados, principalmente com relação à criação de mapas temáticos. Esse processo é geralmente modelado como um problema de classificaçãosupervisionada em que o sistema precisa aprender os padrões de interesse fornecidos pelo usuário e atribuir uma classe ao restante das regiões da imagem. Associados à natureza das ISRs, existem vários desafios que podem ser ressaltados: (1) são imagens georreferenciadas, ou seja, existe uma coordenada geográfica associada à cada pixel da imagem; (2) os dados comumente captam frequências específicas em todo o espectro eletromagnético em vez de apenas o espectro visível, o que exige o desenvolvimento de algoritmos específicos para descrever os padrões; (3) o nível de detalhe de cadaimagem pode variar, resultando em imagens com diferentes resoluções espacial e de pixel, porém cobrindo a mesma área de interesse; (4) devido às imagens de alta resolução de pixel, algoritmos de processamento eficientes são desejáveis. Assim, é muito frequente ter imagens obtidas a partir de diferentes sensores, o que poderia melhorar a qualidade dos mapas temáticos gerados. No entanto, isso exige a criação de técnicas capazes de codificar e combinar adequadamente as diferentes propriedades das imagens. Desse modo, esta dissertação propõe duas novas técnicas de classificação deregiões em ISR, com a habilidade de codificar características extraídas de diferentes sensores, dos domínios espacial e espectral. O principal objetivo é o desenvolvimento de um arcabouço capaz de explorar a diversidade entre esses diferentes tipos de dados para alcançar alta acurácia na criação de mapas temáticos. A primeira abordagem proxiposta, chamada de Voto Majoritário Dinâmico, combina dados de diferentes domínios usando uma estratégia de fusão de dados no nível de decisão que explora a especialidade de diferentes classificadores e realiza a combinação deles para a decisão final de cada pixel na construção do mapa temático. Essa abordagem foi criada para lidarapenas com problemas multi-classe e foi avaliada em uma base de dados de cobertura de um cenário urbano. A segunda abordagem proposta realiza a combinação de dados nos três níveis fusão: pixel, características e decisão, assim explorando diferentes tiposde características, extraídas de diferentes sensores usando uma estratégia baseada em boosting de classificadores. Diferentemente do Voto Majoritário Dinâmico, esse método foi projetado para lidar com problemas binários e multi classe, e avaliado na mesma base de dados multi classe em cenário urbano, mas também no problema binário parareconhecimento de plantações de café.
Abstract: Geographic Information Systems (GIS) are computer-based tools that analyzes, stores, manipulates and visualizes geographic information on maps. Enabling people to more easily see, interpret, and understand patterns and relationships, they are important tools, which helps to make decisions on diverse issues related to public policies of urban and environmental monitoring. Furthermore, they are essential tools for economic development planning and analysis in activities of agriculture and mineral extraction. In this context, Remote Sensing Images (RSIs) have been used as a major source of data, particularly with respect to the creation of thematic maps. This process is usually modeled as a supervised classification problem where the system needs to learn the patterns of interest provided by the user and assign a class to the rest of the image regions. Associated with the nature of RSIs, there are several challenges that can be highlighted: (1) they are georeferenced images, i.e., a geographic coordinate is associated for each pixel; (2) the data commonly captures specific frequencies across the electromagnetic spectrum instead of the visible spectrum, which requires the development of specific algorithms to describe patterns; (3) the detail level of each data may vary, resulting in images with different spatial and pixel resolution, but covering the same area; (4) due to the high pixel resolution images, efficient processing algorithms are desirables. Thus, it is very common to have images obtained from different sensors, which could improve the quality of thematic maps generated. However, this requires the creation of techniques to properly encode and combine the different properties of the images. Thus, this dissertation proposes two new techniques for classification of regions in remote sensing images that manage to encode features extracted from different sources of data, spectral and spatial domains. The major objective is the development of a framework able to exploit the diversity of these different types of features to achieve high degrees of accuracy in the creation of thematic maps. The first approach proposed, as named Dynamic Majority Vote, combine the data from different domains using a strategy of fusion at the decision level, which exploits the specialty of different classifiers and combine them for a final decision for each pixel in the thematic map. This approach was created to handle only with multiclass problems and was evaluated in a urban land cover scenario dataset. The second approach proposed, is a combination of the pixel, feature and decision levels fusion, which exploit different types of features, extracted from various sensors using an boosting-based approach. Differently of the Dynamic Majority Vote, this method can handle with binary and multiclass problems, and was evaluated in the same urban land cover multiclass scenario dataset, and also in a coffee crop recognition binary problem.
metadata.dc.subject.other: Sensoriamento remoto
Sistemas de informação geográfica
Computação
Sistemas de informação geografica
metadata.dc.language: Inglês
Publisher: Universidade Federal de Minas Gerais
metadata.dc.publisher.initials: UFMG
metadata.dc.rights: Acesso Aberto
URI: http://hdl.handle.net/1843/ESBF-A9UM8U
Issue Date: 2-Mar-2016
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
edemir.pdf21.27 MBAdobe PDFView/Open


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