CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO
Autor(a) principal: | |
---|---|
Data de Publicação: | 1994 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
Texto Completo: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8497@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8497@2 |
Resumo: | A classificação e segmentação não-supervisionadas de imagens de sensoriamento remoto são examinadas neste trabalho. A classificação é realizada tomando-se como base o critério de Bayes, que busca minimizar o valor esperado do erro de classificação. Os algoritmos desenvolvidos foram propostos pressupondo-se que a estrutura das classes presentes na imagem podem ser bem modeladas por vetores aleatórios guassianos. Os classificadores convencionais, que só levam em conta a informação dos pixels de forma isolada, forma tratados sob a ótica da quantização vetorial. Em particular, foi proposto um algoritmo de classificação com base na quantização vetorial com restrição de entropia. O desempenho das técnicas de classificação é analisado obsevando-se a discrepância entre classificações, comparando-se as imagens classificadas com imagens referencia e classificando-se imagens sintéticas. A taxa de acerto, entre 80% e 95%. Este bom desempenho dos classificadores é limitado pelo fato de, em suas estruturas, levarem em conta a informação dos pixels de forma isolada. Buscamos, através da classificação de segmentos, incorporar informações de contexto em nossos classificadores. A classificação de segmentos levou a taxas de erros inferiores àquelas alcançadas por classificadores baseados em pixels isolados. Um algoritmo de segmentação, que incorpora ao modelo de classificação por pixels a influencia de sua vizinhança através de uma abordagem markoviana, é apresentado. |
id |
PUC_RIO-1_35b3645be487d13e6a1b4bc94d20c0b0 |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:8497 |
network_acronym_str |
PUC_RIO-1 |
network_name_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository_id_str |
534 |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisCLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO UNSUPERVISED CLASSIFICATION OF SATELLITE IMAGES 1994-09-28WEILER ALVES FINAMORE01435981200lattes.cnpq.br/8689372749422458WEILER ALVES FINAMORE01435981200lattes.cnpq.br/8689372749422458WEILER ALVES FINAMOREJOSE MAURO PEDRO FORTESPAULO ROBERTO ROSA LOPES NUNESRICARDO JOSE MACHADOPAULO ROBERTO ROSA LOPES NUNESALEXANDRE HENRIQUE LEAL NETOPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBR A classificação e segmentação não-supervisionadas de imagens de sensoriamento remoto são examinadas neste trabalho. A classificação é realizada tomando-se como base o critério de Bayes, que busca minimizar o valor esperado do erro de classificação. Os algoritmos desenvolvidos foram propostos pressupondo-se que a estrutura das classes presentes na imagem podem ser bem modeladas por vetores aleatórios guassianos. Os classificadores convencionais, que só levam em conta a informação dos pixels de forma isolada, forma tratados sob a ótica da quantização vetorial. Em particular, foi proposto um algoritmo de classificação com base na quantização vetorial com restrição de entropia. O desempenho das técnicas de classificação é analisado obsevando-se a discrepância entre classificações, comparando-se as imagens classificadas com imagens referencia e classificando-se imagens sintéticas. A taxa de acerto, entre 80% e 95%. Este bom desempenho dos classificadores é limitado pelo fato de, em suas estruturas, levarem em conta a informação dos pixels de forma isolada. Buscamos, através da classificação de segmentos, incorporar informações de contexto em nossos classificadores. A classificação de segmentos levou a taxas de erros inferiores àquelas alcançadas por classificadores baseados em pixels isolados. Um algoritmo de segmentação, que incorpora ao modelo de classificação por pixels a influencia de sua vizinhança através de uma abordagem markoviana, é apresentado. Unsupervised classification and segmentation of satellite images are examined in this work. The classification is based on Bayes` criterion, which tries to minimize the expected value of the classification error. The algorthms developed were proposed postulating that the classes in the image are well modeled by gaussian random vectors. Conventional classifiers, which take into account only pixelwise information, were treated as vector quantizers. Specifically, it was proposed a classification algorithm based on entropy constrained vector. The behaviour of the classifiers is examined observing the discrepancy between classifications, comparing classified images with reference-images and classifyng sinthetic images. The percentage of pixels whitch are assigned to the same class as in the reference-images ranged from 80,0% to 95,0%. This good behaviour of the classidiers is limited by the fact that, in theirs structures, are taken into account only isolated pixel information. We have sought, by classifying segments, to introduce contextual information into the classifiers structure. The segments classidiers. A segmentation algorithm, which introduces contextual information into pixelwise classifier by a markovian approach, is presented.CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICOhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8497@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8497@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2022-11-01T12:47:52Zoai:MAXWELL.puc-rio.br:8497Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342018-10-10T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false |
dc.title.pt.fl_str_mv |
CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO |
dc.title.alternative.en.fl_str_mv |
UNSUPERVISED CLASSIFICATION OF SATELLITE IMAGES |
title |
CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO |
spellingShingle |
CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO ALEXANDRE HENRIQUE LEAL NETO |
title_short |
CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO |
title_full |
CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO |
title_fullStr |
CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO |
title_full_unstemmed |
CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO |
title_sort |
CLASSIFICAÇÃO NÃO-SUPERVISIONADA DE IMAGENS DE SENSORIAMENTO REMOTO |
dc.creator.ID.none.fl_str_mv |
|
dc.creator.Lattes.none.fl_str_mv |
|
author |
ALEXANDRE HENRIQUE LEAL NETO |
author_facet |
ALEXANDRE HENRIQUE LEAL NETO |
author_role |
author |
dc.contributor.advisor2ID.none.fl_str_mv |
01435981200 |
dc.contributor.advisor1.fl_str_mv |
WEILER ALVES FINAMORE |
dc.contributor.advisor1ID.fl_str_mv |
01435981200 |
dc.contributor.advisor1Lattes.fl_str_mv |
lattes.cnpq.br/8689372749422458 |
dc.contributor.advisor2.fl_str_mv |
WEILER ALVES FINAMORE |
dc.contributor.advisor2Lattes.fl_str_mv |
lattes.cnpq.br/8689372749422458 |
dc.contributor.referee1.fl_str_mv |
WEILER ALVES FINAMORE |
dc.contributor.referee2.fl_str_mv |
JOSE MAURO PEDRO FORTES |
dc.contributor.referee3.fl_str_mv |
PAULO ROBERTO ROSA LOPES NUNES |
dc.contributor.referee4.fl_str_mv |
RICARDO JOSE MACHADO |
dc.contributor.referee5.fl_str_mv |
PAULO ROBERTO ROSA LOPES NUNES |
dc.contributor.author.fl_str_mv |
ALEXANDRE HENRIQUE LEAL NETO |
contributor_str_mv |
WEILER ALVES FINAMORE WEILER ALVES FINAMORE WEILER ALVES FINAMORE JOSE MAURO PEDRO FORTES PAULO ROBERTO ROSA LOPES NUNES RICARDO JOSE MACHADO PAULO ROBERTO ROSA LOPES NUNES |
description |
A classificação e segmentação não-supervisionadas de imagens de sensoriamento remoto são examinadas neste trabalho. A classificação é realizada tomando-se como base o critério de Bayes, que busca minimizar o valor esperado do erro de classificação. Os algoritmos desenvolvidos foram propostos pressupondo-se que a estrutura das classes presentes na imagem podem ser bem modeladas por vetores aleatórios guassianos. Os classificadores convencionais, que só levam em conta a informação dos pixels de forma isolada, forma tratados sob a ótica da quantização vetorial. Em particular, foi proposto um algoritmo de classificação com base na quantização vetorial com restrição de entropia. O desempenho das técnicas de classificação é analisado obsevando-se a discrepância entre classificações, comparando-se as imagens classificadas com imagens referencia e classificando-se imagens sintéticas. A taxa de acerto, entre 80% e 95%. Este bom desempenho dos classificadores é limitado pelo fato de, em suas estruturas, levarem em conta a informação dos pixels de forma isolada. Buscamos, através da classificação de segmentos, incorporar informações de contexto em nossos classificadores. A classificação de segmentos levou a taxas de erros inferiores àquelas alcançadas por classificadores baseados em pixels isolados. Um algoritmo de segmentação, que incorpora ao modelo de classificação por pixels a influencia de sua vizinhança através de uma abordagem markoviana, é apresentado. |
publishDate |
1994 |
dc.date.issued.fl_str_mv |
1994-09-28 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8497@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8497@2 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8497@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=8497@2 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.publisher.program.fl_str_mv |
PPG EM ENGENHARIA ELÉTRICA |
dc.publisher.initials.fl_str_mv |
PUC-Rio |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell) instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) instacron:PUC_RIO |
instname_str |
Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
instacron_str |
PUC_RIO |
institution |
PUC_RIO |
reponame_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
collection |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository.name.fl_str_mv |
Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
repository.mail.fl_str_mv |
|
_version_ |
1748324887999545344 |