Submitted by camilla martins (camillasmmartins@gmail.com) on 2017-02-01T16:57:29Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ClassisMetodologiaClassificacao.pdf: 1490177 bytes, checksum: 35483df35399d33d4c508f46302fe698 (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-02-10T19:04:07Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ClassisMetodologiaClassificacao.pdf: 1490177 bytes, checksum: 35483df35399d33d4c508f46302fe698 (MD5) / Made available in DSpace on 2017-02-10T19:04:07Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ClassisMetodologiaClassificacao.pdf: 1490177 bytes, checksum: 35483df35399d33d4c508f46302fe698 (MD5) Previous issue date: 2015-03-12 / A Amazônia é um dos biomas mais complexos e diversificados do planeta e seu nível de preservação ambiental possui impacto de âmbito global. Entretanto, para além dos aspectos ambientais, a complexidade da região envolve outras diferentes especificidades nos vieses social, econômico e cultural. De fato, tais vieses estão intrinsecamente interligados, de tal forma que, por exemplo, aspectos culturais podem afetar as relações entre o uso e a cobertura da terra e, em se tratando de Amazônia, dependendo da escala dessas mudanças, pode implicar consequências planetárias. Em função da criticidade que envolve a região, diversas ações governamentais, de organizações e movimentos sociais e da comunidade internacional, vem tentando racionalizar o uso e a cobertura da terra, de maneira a criar uma relação de exploração sustentável dos recursos naturais disponíveis. Um importante programa governamental se baseia na criação de assentamentos, com o respectivo apoio, no que diz respeito a determinados financiamentos de infraestrutura, maquinário, mudas e sementes, assistência técnica, entre outros. Entretanto, apesar dos esforços envidados, a solução é de extrema complexidade, dada a extensa correlação de fatores a serem avaliados e combinados em busca do sucesso e do aprimoramento de tais programas. Assim, por conta de toda complexidade envolvida, é de primordial importância a existência de metodologias que consigam contemplar a complexidade e a interdisciplinaridade inerentes. Com a intenção de debruçar-se sobre toda essa problemática, um conjunto de Instituições da Amazônia elaborou e aprovou o projeto Desenvolvimento de Competências e Formação de Recursos Humanos em Recuperação de Áreas Degradadas em Projetos de Assentamentos em Áreas Amazônicas - Edital Nº047/2012 – Programa CAPES/Pró-Amazônia. Este trabalho apresenta uma metodologia inovadora de análise do uso e cobertura da terra, em projetos de assentamentos localizados na Amazônia, como parte integrante do supracitado. Tal metodologia é composta por dois módulos (de tratamento de imagens e de classificação e extração de padrões), sendo que cada módulo é subdivido em etapas para a realização de suas funções precípuas. A metodologia proposta nesta dissertação, a qual possui um alto grau de generalização, visa a categorizar o uso e cobertura da terra, por meio da associação de cada pixel a uma classe temática pré-definida. Com a finalidade de validar a estratégia proposta, são realizados estudos de casos em assentamentos localizados na região Sudeste do estado do Pará, na Amazônia brasileira. / Amazon has one of the most complex and diversified biome of the planet. Its environmental preservation has an impact in the global scenario. However, besides the environmental factors, the complexity of the region involves other different aspects such as social, economical and cultural. In fact, they are intrinsically interrelated in such a way, that, for example, cultural features may affect land use/land cover. Moreover, depending on the scale of such changes, there may be consequences on the planet. Due to the criticality involving the region, several actions of governments, organizations and social movements and the international community, has been trying to rationalize the land use/land cover, in order to create a sustainable exploitation of available natural resources. An important government program is based on the creation of settlements, with respective support, with regard to certain infrastructure financing, machinery, seeds and seedlings, technical assistance, etc. However, despite the efforts made, the solution is extremely complex, given the extensive correlation of factors to be assessed and combined in search of success and improvement of such programs. So, because of all complexity involved, it is of paramount importance that there are methodologies that contemplate the complexity and inherent interdisciplinarity. Intending to have a closer look at this whole issue, an Amazonian set of institutions drew up and approved the project Skills Development and Training of Human Resources for Degraded Areas Recovery in Settlement Projects in Amazonian Areas – Public Notice Nº047 / 2012 - CAPES/Pró-Amazônia Programme. This work presents an innovative methodology for land use/land cover analysis, in projects of settlements located in the Amazon, as part of the above mentioned. Such methodology comprises two modules (image processing, and classification and patterns extraction), each module is subdivided into steps to performing their primary functions. The methodology proposed in this work, which has a high degree of generalization, aims to categorize the land use/land cover, through the association of each pixel to a predefined thematic class. In order to validate the proposed strategy, case studies are carried out in settlements located at the Southeast region of the Stat eof Pará, in the Brazilian Amazon.

Made available in DSpace on 2015-04-09T12:28:28Z (GMT). No. of bitstreams: 0 Previous issue date: 2014-10-24Bitstream added on 2015-04-09T12:47:21Z : No. of bitstreams: 1 000812794.pdf: 1525344 bytes, checksum: b68f6da113153c038916e9bd3f57c375 (MD5) / Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Nesta pesquisa foi estudado um m etodo de reconhecimento de contornos de telhado de edif cios em imagens digitais de alta resolu c~ao, que classi ca-os com rela c~ao a sua forma. O m etodo baseia-se nos momentos de Zernike, que s~ao baseados nos polin omios ortogonais de Zernike, em que cria-se um vetor de caracter sticas para cada regi~ao da imagem, que deve ser previamente segmentada de maneira que seus objetos sejam divididos em diferentes regi~oes. Este m etodo para a descri c~ao de forma baseia-se na area do objeto de interesse e possui a caracter stica dos momentos serem invariantes em rela c~ao as transforma c~oes geom etricas de rota c~ao, transla c~ao e escala, que o torna atrativo para o problema de an alise de imagem proposto. Desse modo, foi criada uma base de dados contendo esbo cos (ou modelos) de poss veis apari c~oes de contornos de telhado de edif cio numa dada cena, para que seja associado tamb em um vetor de caracter sticas de Zernike para estes esbo cos. Assim, a dist ancia euclidiana entre este vetor e o vetor de caracter sticas calculado a partir de uma regi~ao segmentada na imagem, permite dizer se a regi~ao dada corresponde a um contorno de edif cio ou a outro objeto. A capacidade de discrimina c~ao do m etodo proposto entre diferentes formas de edif cios, e tamb em entre formas de edif cios e n~ao edif cios foi avaliada experimentalmente e mostrou resultados positivos. / In this research, a method of recognition of building roof contours in high-resolution digital images which classi es them with respect to their form was studied. The method is based on Zernike moments, which are based on orthogonal Zernike polynomials and it creates a feature vector for each image region. The image segmentation has to be made rst to de ne di erent regions for its objects. This method for shape analysis is based on the object area of interest and the moments has the characteristic of being invariant under geometric transformations of rotation, translation and scaling, this makes it attractive to the proposed image analysis problem. Thus, a database containing sketches (or models) of possible appearances of building roof contours in a given scene was created, so a Zernike feature vector was also associated for these sketches. Therefore, the Euclidean distance between this vector and the feature vector calculated from a segmented region in the image lets say if the given region corresponds to a building contour or other object. The capacity of the proposed method in discriminating di erent building shapes and also in discriminating building shapes from non-building shapes was evaluated experimentally and it showed positive results.

Orientadores: Ricardo da Silva Torres, Alexandre Xavier Falcão / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-23T15:18:27Z (GMT). No. of bitstreams: 1 Santos_JeferssonAlexdos_D.pdf: 18672412 bytes, checksum: 58ac60d8b5342ab705a78d5c82265ab8 (MD5) Previous issue date: 2013 / Resumo: Um grande esforço tem sido feito para desenvolver sistemas de classificação de imagens capazes de criar mapas temáticos de alta qualidade e estabelecer inventários precisos sobre o uso do solo. As peculiaridades das imagens de sensoriamento remoto (ISR), combinados com os desafios tradicionais de classificação de imagens, tornam a classificação de ISRs uma tarefa difícil. Grande parte dos desafios de pesquisa estão relacionados à escala de representação dos dados e, ao mesmo tempo, à dimensão e à representatividade do conjunto de treinamento utilizado. O principal foco desse trabalho está nos problemas relacionados à representação dos dados e à extração de características. O objetivo é desenvolver soluções efetivas para classificação interativa de imagens de sensoriamento remoto. Esse objetivo foi alcançado a partir do desenvolvimento de quatro linhas de pesquisa. A primeira linha de pesquisa está relacionada ao fato de embora descritores de imagens propostos na literatura obterem bons resultados em várias aplicações, muitos deles nunca foram usados para classificação de imagens de sensoriamento remoto. Nessa tese, foram testados doze descritores que codificam propriedades espectrais e sete descritores de textura. Também foi proposta uma metodologia baseada no classificador K-Vizinhos mais Próximos (K-nearest neighbors - KNN) para avaliação de descritores no contexto de classificação. Os descritores Joint Auto-Correlogram (JAC), Color Bitmap, Invariant Steerable Pyramid Decomposition (SID) e Quantized Compound Change Histogram (QCCH), apresentaram os melhores resultados experimentais na identificação de alvos de café e pastagem. A segunda linha de pesquisa se refere ao problema de seleção de escalas de segmentação para classificação de imagens de sensoriamento baseada em objetos. Métodos propostos recentemente exploram características extraídas de objetos segmentados para melhorar a classificação de imagens de alta resolução. Entretanto, definir uma escala de segmentação adequada é uma tarefa desafiadora. Nessa tese, foram propostas duas abordagens de classificação multiescala baseadas no algoritmo Adaboost. A primeira abordagem, Multiscale Classifier (MSC), constrói um classificador forte que combina características extraídas de múltiplas escalas de segmentação. A outra, Hierarchical Multiscale Classifier (HMSC), explora a relação hierárquica das regiões segmentadas para melhorar a eficiência sem reduzir a qualidade da classificação xi quando comparada à abordagem MSC. Os experimentos realizados mostram que é melhor usar múltiplas escalas do que utilizar apenas uma escala de segmentação. A correlação entre os descritores e as escalas de segmentação também é analisada e discutida. A terceira linha de pesquisa trata da seleção de amostras de treinamento e do refinamento dos resultados da classificação utilizando segmentação multiescala. Para isso, foi proposto um método interativo para classificação multiescala de imagens de sensoriamento remoto. Esse método utiliza uma estratégia baseada em aprendizado ativo que permite o refinamento dos resultados de classificação pelo usuário ao longo de interações. Os resultados experimentais mostraram que a combinação de escalas produzem melhores resultados do que a utilização de escalas isoladas em um processo de realimentação de relevância. Além disso, o método interativo obtém bons resultados com poucas interações. O método proposto necessita apenas de uma pequena porção do conjunto de treinamento para construir classificadores tão fortes quanto os gerados por um método supervisionado utilizando todo o conjunto de treinamento disponível. A quarta linha de pesquisa se refere à extração de características de uma hierarquia de regiões para classificação multiescala. Assim, foi proposta uma abordagem que explora as relações existentes entre as regiões da hierarquia. Essa abordagem, chamada BoW-Propagation, utiliza o modelo bag-of-visual-word para propagar características ao longo de múltiplas escalas. Essa ideia foi estendida para propagar descritores globais baseados em histogramas, a abordagem H-Propagation. As abordagens propostas aceleram o processo de extração e obtém bons resultados quando comparadas a descritores globais / Abstract: A huge effort has been made in the development of image classification systems with the objective of creating high-quality thematic maps and to establish precise inventories about land cover use. The peculiarities of Remote Sensing Images (RSIs) combined with the traditional image classification challenges make RSI classification a hard task. Many of the problems are related to the representation scale of the data, and to both the size and the representativeness of used training set. In this work, we addressed four research issues in order to develop effective solutions for interactive classification of remote sensing images. The first research issue concerns the fact that image descriptors proposed in the literature achieve good results in various applications, but many of them have never been used in remote sensing classification tasks. We have tested twelve descriptors that encode spectral/color properties and seven texture descriptors. We have also proposed a methodology based on the K-Nearest Neighbor (KNN) classifier for evaluation of descriptors in classification context. Experiments demonstrate that Joint Auto-Correlogram (JAC), Color Bitmap, Invariant Steerable Pyramid Decomposition (SID), and Quantized Compound Change Histogram (QCCH) yield the best results in coffee and pasture recognition tasks. The second research issue refers to the problem of selecting the scale of segmentation for object-based remote sensing classification. Recently proposed methods exploit features extracted from segmented objects to improve high-resolution image classification. However, the definition of the scale of segmentation is a challenging task. We have proposed two multiscale classification approaches based on boosting of weak classifiers. The first approach, Multiscale Classifier (MSC), builds a strong classifier that combines features extracted from multiple scales of segmentation. The other, Hierarchical Multiscale Classifier (HMSC), exploits the hierarchical topology of segmented regions to improve training efficiency without accuracy loss when compared to the MSC. Experiments show that it is better to use multiple scales than use only one segmentation scale result. We have also analyzed and discussed about the correlation among the used descriptors and the scales of segmentation. The third research issue concerns the selection of training examples and the refinement of classification results through multiscale segmentation. We have proposed an approach for xix interactive multiscale classification of remote sensing images. It is an active learning strategy that allows the classification result refinement by the user along iterations. Experimental results show that the combination of scales produces better results than isolated scales in a relevance feedback process. Furthermore, the interactive method achieves good results with few user interactions. The proposed method needs only a small portion of the training set to build classifiers that are as strong as the ones generated by a supervised method that uses the whole available training set. The fourth research issue refers to the problem of extracting features of a hierarchy of regions for multiscale classification. We have proposed a strategy that exploits the existing relationships among regions in a hierarchy. This approach, called BoW-Propagation, exploits the bag-of-visual-word model to propagate features along multiple scales. We also extend this idea to propagate histogram-based global descriptors, the H-Propagation method. The proposed methods speed up the feature extraction process and yield good results when compared with global low-level extraction approaches / Doutorado / Ciência da Computação / Doutor em Ciência da Computação

Orientadores: Alexandre Xavier Falcão, Jefersson Alex dos Santos / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-27T14:43:51Z (GMT). No. of bitstreams: 1 VargasMunoz_JohnEdgar_M.pdf: 9138091 bytes, checksum: bdb40e3a5655df0e10a137f2d08f0d8d (MD5) Previous issue date: 2015 / Resumo: Recentemente, técnicas de aprendizado de máquina têm sido propostas para criar mapas temáticos a partir de imagens de sensoriamento remoto. Estas técnicas podem ser divididas em métodos de classificação baseados em pixels ou regiões. Este trabalho concentra-se na segunda abordagem, uma vez que estamos interessados em imagens com milhões de pixels e a segmentação da imagem em regiões (superpixels) pode reduzir consideravelmente o número de amostras a serem classificadas. Porém, mesmo utilizando superpixels, o número de amostras ainda é grande para anotá-las manualmente e treinar o classificador. As técnicas de aprendizado ativo propostas resolvem este problema começando pela seleção de um conjunto pequeno de amostras selecionadas aleatoriamente. Tais amostras são anotadas manualmente e utilizadas para treinar a primeira instância do classificador. Em cada iteração do ciclo de aprendizagem, o classificador atribui rótulos e seleciona as amostras mais informativas para a correção/confirmação pelo usuário, aumentando o tamanho do conjunto de treinamento. A instância do classificador é melhorada no final de cada iteração pelo seu treinamento e utilizada na iteração seguinte até que o usuário esteja satisfeito com o classificador. Observamos que a maior parte dos métodos reclassificam o conjunto inteiro de dados em cada iteração do ciclo de aprendizagem, tornando este processo inviável para interação com o usuário. Portanto, enderaçamos dois problemas importantes em classificação baseada em regiões de imagens de sensoriamento remoto: (a) a descrição efetiva de superpixels e (b) a redução do tempo requerido para seleção de amostras em aprendizado ativo. Primeiro, propusemos um descritor contextual de superpixels baseado na técnica de sacola de palavras, que melhora o resultado de descritores de cor e textura amplamente utilizados. Posteriormente, propusemos um método supervisionado de redução do conjunto de dados que é baseado em um método do estado da arte em aprendizado ativo chamado Multi-Class Level Uncertainty (MCLU). Nosso método mostrou-se tão eficaz quanto o MCLU e ao mesmo tempo consideravelmente mais eficiente. Adicionalmente, melhoramos seu desempenho por meio da aplicação de um processo de relaxação no mapa de classificação, utilizando Campos Aleatórios de Markov / Abstract: In recent years, machine learning techniques have been proposed to create classification maps from remote sensing images. These techniques can be divided into pixel- and region-based image classification methods. This work concentrates on the second approach, since we are interested in images with millions of pixels and the segmentation of the image into regions (superpixels) can considerably reduce the number of samples for classification. However, even using superpixels the number of samples is still large for manual annotation of samples to train the classifier. Active learning techniques have been proposed to address the problem by starting from a small set of randomly selected samples, which are manually labeled and used to train a first instance of the classifier. At each learning iteration, the classifier assigns labels and selects the most informative samples for user correction/confirmation, increasing the size of the training set. An improved instance of the classifier is created by training, after each iteration, and used in the next iteration until the user is satisfied with the classifier. We observed that most methods reclassify the entire pool of unlabeled samples at every learning iteration, making the process unfeasible for user interaction. Therefore, we address two important problems in region-based classification of remote sensing images: (a) the effective superpixel description and (b) the reduction of the time required for sample selection in active learning. First, we propose a contextual superpixel descriptor, based on bag of visual words, that outperforms widely used color and texture descriptors. Second, we propose a supervised method for dataset reduction that is based on a state-of-art active learning technique, called Multi-Class Level Uncertainty (MCLU). Our method has shown to be as effective as MCLU, while being considerably more efficient. Additionally, we further improve its performance by applying a relaxation process on the classification map by using Markov Random Fields / Mestrado / Ciência da Computação / Mestre em Ciência da Computação

Orientador: Maria de Lourdes Bueno Trindade Galo / Resumo: O represamento de rios para a produção de energia elétrica usualmente provoca atividades antrópicas que impactam um ecossistema aquático fortemente. Uma das consequências de se instalar pequenos reservatórios em regiões sujeitas à intensos processos de urbanização e industrialização é a abundância de macrófitas, resultante do despejo de nutrientes em grandes concentrações no ecossistema aquático. Recentemente, o grande volume de images multitemporais de sensoriamento remoto disponíveis em bancos de dados gratuitos, bem como a alta performance computacional que permite a mineração de grandes volumes de dados, fazem com que o monitoramento de fenômenos ambientais seja um objeto de estudo recorrente. O propósito desse estudo é desenvolver uma metodologia baseada na integração de dados heterogêneos, fornecidos por séries temporais de coleções de imagens multiespectrais e multitemporais Landsat e coleções de dados climáticos históricos, para investigar a evolução e comportamento espacial de macrófitas aquáticas em lagos e reservatórios eutrofizados. A extensa coleção temporal de imagens de superfície de reflectância Landsat disponível e também dados de variáveis ambientais permitiram a construção e análise de séries temporais para investigar a recorrente abundância de macrófitas no reservatório de Salto Grande, localizado na região metropolitana de Campinas, São Paulo, Brasil. Inicialmente, foi encontrado que as imagens Landsat possuem a qualidade radiométrica necessária para se r... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: River damming for electric power production usually triggers anthropic activities that strongly impact on aquatic ecosystem. One of the consequences of installing small reservoirs in regions subject to an intense process of urbanization and industrialization is the overabundance of macrophytes, resulting from the input of nutrients in high concentration into the aquatic ecosystem. Currently, the large volume of multitemporal remote sensing images available in open data sources, as well as the high computational performance that allow the mining of large volumes of data has made the monitoring of environmental phenomena a recurrent object of analysis. The aim of this study is to develop a methodology based on the integration of heterogeneous data, provided by time series of multispectral and multitemporal Landsat images and collections of historical climatic data, to investigate the evolution and spatial behavior of aquatic macrophytes in lakes and eutrophic reservoirs. So, the extensive temporal collection of the Landsat surface reflectance images made available as well as environmental variables data permitted the construction and analysis of time series to investigate the recurrent over-abundance of macrophytes in Salto Grande reservoir, located in the metropolitan region of Campinas, São Paulo, Brazil. Initially, it was found that the the Landsat images have the necessary radiometric quality to perform the time series analyses, through an assessment based on information ab... (Complete abstract click electronic access below) / Doutor