CLASSIFICAÇÃO TEXTURAL DE IMAGENS SAR, POR MODELAGEM AUTORREGRESSIVA


Dissertação de Mestrado - Sérgio Monteiro Soares

Dissertação de Mestrado em Sensoriamento Remoto, orientada pelo Dr. Luciano Vieira Dutra, aprovada em maio de 1998.

Resumo

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 é executada usando um procedimento bidimensional, pelo
mapeamento dos elementos dos filtros. Os parâmetros autorregressivos são estimados pelo
algoritmo de Levinson-Durbin, os quais são usados como elementos dos filtros inversos
autorregressivos. Depois da filtragem autorregressiva dois outros procedimentos de
filtragens (atributos de branqueamento obtidos pelo cálculo 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 é testado sobre imagens SAR JERS-1 e RADARSAT
da Floresta Nacional do Tapajós (FLONA). As classes identificadas para um mosaico
JERS-1 foram Floresta Primária Densa e Floresta Primária Ondulada. Para as imagens
JERS-1 contínua e RADARSAT foram identificadas as classes Floresta Primária, Floresta
Secundária (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 utilizandose
a Matriz de Confusão.

Conteúdo