classificação de imagens de radar (banda-p) utilizando redes neurais para mapeamento de cobertura...
Post on 17-Apr-2015
119 Views
Preview:
TRANSCRIPT
Classificação de imagens de Radar (Banda-P) Classificação de imagens de Radar (Banda-P) utilizando Redes Neurais para mapeamento de utilizando Redes Neurais para mapeamento de
cobertura da terra em região de Floresta cobertura da terra em região de Floresta Tropical.Tropical.
Alcina Maria Nepomuceno
Aluna de Mestrado em Sensoriamento Remoto
Bolsista CAPES
Orientadores: Dra. Corina Freitas
Dr. Dalton Valeriano
Objetivos Objetivos Geral.Geral. Avaliar a potencialidade da classificação por Redes Neurais
Artificiais de dados de radar na banda–P para discriminação e mapeamento de cobertura da terra em região de Floresta Tropical.
Específico.Específico. Estudar a capacidade discriminatória da banda-P utilizando as
polarizações (HH, HV, VH, VV) e as imagens Potência Total, BMI (Índice de Biomassa), CSI (Índice da Estrutura do Dossel), VSI (Índice de espalhamento volumétrico).
Utilização de uma nova metodologia na classificação destes dados: “Algoritmo Genético otimizando os parâmetros da Rede Neural e os resultados da classificação”.
Índices Biofísicos de Radar de Abertura Índices Biofísicos de Radar de Abertura SintéticaSintética
Pope et al., 1994Pope et al., 1994
2
HHVVBMI
HHVV
VVCSI
BMICS
CSVSI
2
VHHVCS
4
VVVHHVHHtalPotênciaTo
Durden et al., 1991Durden et al., 1991
MetodologiaMetodologia
ORIGINAISFILTRADAS
COMPOSIÇÕES
IMAGENSCLASSIFICADAS
HH, HV, VH, VV
GEOCODIFICADAS
IMAGENS RADAR
FLORESTAREGENERAÇÃO MUITO ANTIGAREGENERAÇÃO ANTIGAREGENERAÇÃO INTERMEDIÁRIAREGENERAÇÃO NOVAPASTO/CULTURASOLO EXPOSTO
AMOSTRAS CLASSES
IMAGENSFORMATOFW_CRS
TRANSFORMARPARA
GEO-TIFF
EXATIDÃOCOEFICIENTE
KAPPA
TABULAÇÃOCRUZADA
HH, HV, VH, VV,PT, CS, CSI, BMI e VSI
IMAGENS RADAR
FROST e MEDIANAJANELAS (3x3) e (5x5)
IMAGENS FILTRADAS
GERARIMAGENS
PT, CS, CSIBMI e VSI
FILTRARRUÍDO
SPECKLEFROST eMEDIANA
EXPORTARGEO-TIFF
CLASSIFICARREDE
FUZZY-ART
FILTRARRUÍDO
SPECKLEMAP GAMA
HH, HV, VH, VV,PT, CS, CSI, BMI e VSI
IMAGENS ORIGINAIS
FROST e MEDIANAJANELAS (3x3) e (5x5)
IMAGENS FILTRADAS
MAP GAMMAJANELAS (3x3) e (5x5)
IMAGENS FILTRADAS
MESCLARCLASSES
MATRIZCORRELAÇÃO
COMPOSIÇÃOIMAGENSMENOS
CORRELACIONADAS
MATRIZDE
CONFUSÃO
RELAÇÃOSINAL/RUÍDO
RELAÇÃOSINAL/RUÍDO
RELAÇÃO SINAL/RUÍDORELAÇÃO SINAL/RUÍDO
0,000,200,400,600,801,001,201,401,601,802,002,202,40
FiltroFrost/Mediana
(3x3)
Filtro MapGamma (5x5)
SN
R (
var)
Floresta Reg muito ant Reg antiga Reg interm Reg nova Pasto Solo
IMAGENSFILTRADAS
VALORES (SNR)DE CADA CLASSEFROST e MEDIANA
JANELA 3X3
VALORES (SNR)DE CADA CLASSEFROST e MEDIANA
JANELA 5X5
VALORES (SNR)DE CADA CLASSE
MAP GAMMAJANELA 3X3
VALORES (SNR)DE CADA CLASSE
MAP GAMMAJANELA 5X5
MELHORRESULTADOP/ O FILTRO MAP GAMA
MELHOR FILTROE
MELHOR JANELA
ANÁLISERELAÇÃO
SINAL/RUÍDO
AMOSTRASPOR
CLASSES
MELHORRESULTADO
P/ OS FILTROS FROST EMEDIANA
x x
x
2
2
varoriginalimagem
filtradaimagemSNR
Schowengerdt (1997)Schowengerdt (1997)
Exemplo das classificações c/ rede Fuzzy-ART: Exemplo das classificações c/ rede Fuzzy-ART: Polarização HH original e filtradasPolarização HH original e filtradas
HHORIGINAL
HHORIGINAL13 classes
HHFROST
MEDIANA
HHFROST
MEDIANA13 classes
HHMAP GAMMA
14 classes
HHMAP GAMMA
Exemplo das classificações c/ rede SOM: Exemplo das classificações c/ rede SOM: Polarização HH original e filtradaPolarização HH original e filtrada
HHORIGINAL
4 classes
HHMAP GAMMA
4 classes
Exemplo das classificações: composições das Exemplo das classificações: composições das polarizações menos correlacionadaspolarizações menos correlacionadas
HV e VVORIGINAL23 classes
HV e VVFROST e MEDIANA
22 classes
HV e VVMAP GAMMA
20 classes
Exatidão das imagens classificadasExatidão das imagens classificadas
Tabulaçãocruzada
Matrizde
confusão
ExatidãoCoeficiente
KAPPA
Mesclarclasses
Exemplo do processo de combinação das classes Exemplo do processo de combinação das classes PERCENTAGEM DOS PIXELS DOS PADRÕES EM CADA ROI DAS CLASSES PARA A IMAGEM HH MAP GAMMA. Classes 8 3 10 4 5 0 13 11 1 2 6 7 12 9 Total SE 74,53 9,23 10,70 2,09 2,40 0,50 0,15 0,08 0,00 0,01 0,00 0,01 0,00 0,31 100 PC 27,04 22,91 22,51 6,60 10,21 2,68 2,33 1,33 0,01 0,07 0,03 0,40 0,13 3,74 100 RN 0,99 0,00 1,81 8,52 45,86 17,10 6,42 0,63 0,00 0,02 0,00 0,19 0,00 18,46 100 RI 0,70 0,00 0,53 2,45 36,35 23,98 6,49 0,97 0,00 0,00 0,00 0,00 0,00 28,53 100 RA 0,11 0,00 0,00 0,11 2,89 6,26 37,70 17,68 0,00 0,78 0,00 2,05 0,20 32,22 100 RMA 0,26 0,00 0,00 0,04 1,55 3,17 25,32 29,31 0,08 2,92 0,79 16,09 5,24 15,22 100 FP 0,12 0,00 0,00 0,03 1,15 2,02 16,52 25,62 1,16 3,35 4,75 23,14 13,70 8,44 100
PERCENTAGEM DOS PIXELS DOS PADRÕES EM CADA ROI DAS CLASSES PARA A IMAGEM HH MAP GAMMA APÓS COMBINAR AS CLASSES. Classes 8 10 5 0 13 11 12 9 Total SE 74,53 19,93 4,48 0,50 0,15 0,08 0,01 0,31 100 PC 27,04 45,42 16,81 2,68 2,33 1,33 0,63 3,74 100 RN 0,99 1,81 54,38 17,10 6,42 0,63 0,21 18,46 100 RI 0,70 0,53 38,80 23,98 6,49 0,97 0,00 28,53 100 RA 0,11 0,00 3,01 6,26 37,70 17,68 3,03 32,22 100 RMA 0,26 0,00 1,59 3,17 25,32 29,31 25,12 15,22 100 FP 0,12 0,00 1,17 2,02 16,52 25,62 46,11 8,44 100
Exemplo do resultado das imagens com classes combinadasExemplo do resultado das imagens com classes combinadas
HH MAP GAMMA(8 classes)
HH MAP GAMMA(14 classes)
Situação Atual do TrabalhoSituação Atual do Trabalho
Fase de análise dos resultados.
Limite do prazo final: Março/2003.
Data provável da defesa da dissertação: Fevereiro ou Março/2003.
Fim
top related