Imagens multiespectrais são utilizadas em diferentes aplicações, que vão desde sensoriamento remoto a processos médicos. No caso de imagens multiespectrais oriundas de microscopia confocal de varredura à laser (Confocal Laser Scanning Microscopy-CLSM), a extração da informação se inicia pela conversão das assinaturas espectrais, em uma imagem RGB. Esta imagem é a referência para a seleção da região de interesse, da qual se obtém a assinatura espectral média, originada do arquivo multiespectral (LSM). Mesmo utilizando um padrão muito bem estabelecido de conversão, alguns pontos devem ser considerados: i) o processo de conversão reduz a informação, a uma ordem de 10-145%; ii) a cor é uma experiência sensorial, subjetiva e pessoal, interferindo na seleção da região de interesse e; iii) a assinatura é obtida pela média espectral, da região de interesse, selecionada manualmente.Assim, esta tese de doutorado propõem um método de mapeamento e visualização das informações de imagens multiespectrais, combinando um algoritmo de agrupamento não supervisionado(kmeans) e um algoritmo que define uma paleta de cores coerentes com a informação espectral das regiões mapeadas. Aplicou-se o método em três casos de estudos de tecidos vegetais: i) no pré-tratamento de paredes celulares da cana-de-açúcar; ii) na plasticidade foliar do Jacaranda caroba e; iii) no uso de assinaturas espectrais na classificação de plantas do Cerrado. Os resultados demonstraram que o método é bastante robusto, permitindo de forma inovadora a: visualização, análise e comparação de imagens multiespectrais qualitativa e quantitativamente, e que seu uso é viável em qualquer área de pesquisa que utilize imagens multiespectrais. / Multispectral images are used in different applications, ranging from remote sensing images to medical images. In the case of multispectral images derived from confocal laser scanning microscopy (CLSM), the extraction of information begins with the conversion of spectral signatures in an RGB image. This is the reference for selecting the region of interest, from which it gets the average spectral signature, originated from multispectral file (LSM). Even using a very well established pattern of conversion, some points should be considered: i) the conversion process reduces the information on the order of 10-145%; ii) the color is a sensory experience, subjective and personal, interfering in the selection of the interest region and; the signature is obtained by the spectral average, from interest region which is selected manually. Thus, this doctoral thesis proposes a method of mapping and visualization of multispectral imaging information, combining an unsupervised clustering algorithm (kmeans) and an algorithm that defines a consistent color palette with the spectral information of mapped regions. The proposed method was applied in three cases plant tissue studies: i) in the pre-treating the cell walls of sugarcane; ii) in the leaf plasticity of Jacaranda caroba; iii) in the use of spectral signatures in the Cerrado plant classification. The results showed that the proposed method is quite robust. It presents innovation to the visualization and analysis of multispectral images and makes possible a qualitative and quantitative comparison of a group of multispectral images. Besides that, its use is feasible in any area of research, which are using multispectral images.

Imagens multiespectrais são utilizadas em diferentes aplicações, que vão desde sensoriamento remoto a processos médicos. No caso de imagens multiespectrais oriundas de microscopia confocal de varredura à laser (Confocal Laser Scanning Microscopy-CLSM), a extração da informação se inicia pela conversão das assinaturas espectrais, em uma imagem RGB. Esta imagem é a referência para a seleção da região de interesse, da qual se obtém a assinatura espectral média, originada do arquivo multiespectral (LSM). Mesmo utilizando um padrão muito bem estabelecido de conversão, alguns pontos devem ser considerados: i) o processo de conversão reduz a informação, a uma ordem de 10-145%; ii) a cor é uma experiência sensorial, subjetiva e pessoal, interferindo na seleção da região de interesse e; iii) a assinatura é obtida pela média espectral, da região de interesse, selecionada manualmente.Assim, esta tese de doutorado propõem um método de mapeamento e visualização das informações de imagens multiespectrais, combinando um algoritmo de agrupamento não supervisionado(kmeans) e um algoritmo que define uma paleta de cores coerentes com a informação espectral das regiões mapeadas. Aplicou-se o método em três casos de estudos de tecidos vegetais: i) no pré-tratamento de paredes celulares da cana-de-açúcar; ii) na plasticidade foliar do Jacaranda caroba e; iii) no uso de assinaturas espectrais na classificação de plantas do Cerrado. Os resultados demonstraram que o método é bastante robusto, permitindo de forma inovadora a: visualização, análise e comparação de imagens multiespectrais qualitativa e quantitativamente, e que seu uso é viável em qualquer área de pesquisa que utilize imagens multiespectrais. / Multispectral images are used in different applications, ranging from remote sensing images to medical images. In the case of multispectral images derived from confocal laser scanning microscopy (CLSM), the extraction of information begins with the conversion of spectral signatures in an RGB image. This is the reference for selecting the region of interest, from which it gets the average spectral signature, originated from multispectral file (LSM). Even using a very well established pattern of conversion, some points should be considered: i) the conversion process reduces the information on the order of 10-145%; ii) the color is a sensory experience, subjective and personal, interfering in the selection of the interest region and; the signature is obtained by the spectral average, from interest region which is selected manually. Thus, this doctoral thesis proposes a method of mapping and visualization of multispectral imaging information, combining an unsupervised clustering algorithm (kmeans) and an algorithm that defines a consistent color palette with the spectral information of mapped regions. The proposed method was applied in three cases plant tissue studies: i) in the pre-treating the cell walls of sugarcane; ii) in the leaf plasticity of Jacaranda caroba; iii) in the use of spectral signatures in the Cerrado plant classification. The results showed that the proposed method is quite robust. It presents innovation to the visualization and analysis of multispectral images and makes possible a qualitative and quantitative comparison of a group of multispectral images. Besides that, its use is feasible in any area of research, which are using multispectral images.

Orientadores: Jansle Vieira Rocha, Rubens A. C. Lamparelli / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agricola / Made available in DSpace on 2018-08-09T11:48:04Z (GMT). No. of bitstreams: 1 Simoes_MauriciodosSantos_D.pdf: 2850445 bytes, checksum: d8bb941a3ab2891f6f2c3872b3fc3e78 (MD5) Previous issue date: 2007 / Resumo: O conhecimento das relações entre variáveis biofísicas das culturas agrícolas e dados espectrais é uma das informações mais importantes para a aplicação de sensoriamento remoto na estimativa da produtividade e em estudos de previsão de safra. Este trabalho estuda as relações entre variáveis agronômicas da cana-de-açúcar e dados espectrais em dois níveis de aquisição: terrestre e orbital. A área de estudo foi um talhão comercial da variedade de cana-de-açúcar SP80-1842, plantada em 1996, localizado no município de Araras, SP. Durante as safras 2000/2001 e 2001/2002, foram realizados nove trabalhos de campo, simultaneamente à aquisição de nove imagens orbitais, os quais representaram as três principais fases do ciclo da cultura. O relacionamento das variáveis agronômicas índice de área foliar (IAF), número de perfilhos por metro (NPM), produtividade agrícola (TCH) e biomassa aérea total (BMT), com os dados espectrais terrestres e orbitais, foi avaliado por meio de análise temporal, regressões lineares simples e múltipla (Stepwise), e coeficiente de correlação de Pearson. Os dados espectrais terrestres foram adquiridos utilizando-se o radiômetro Cimel CE 313a e os dados orbitais foram obtidos de imagens dos sensores TM e ETM+ a bordo dos satélites Landsat-5 e Landsat-7. As bandas espectrais do vermelho (630 a 690 nm - B3) e do infravermelho (760 a 900 nm - B4) nos dois níveis de aquisição de dados de sensoriamento remoto foram utilizadas para estudar as relações com as variáveis da cana-de-açúcar. Além das bandas espectrais, foram estudadas as relações das variáveis agronômicas da cana-de-açúcar com os índices espectrais de vegetação, índice de vegetação da razão simples (SR), índice de vegetação da razão (RVI), índice de vegetação por diferença normalizada (NDVI) e índice de vegetação ajustado ao solo (SAVI). As variáveis agronômicas tiveram seu comportamento temporal explicado por curvas do tipo sigmoidal e exponencial. Os dados espectrais, por outro lado, tiverem comportamento temporal explicado por modelos cúbicos, exponenciais cúbicos e quadráticos. Os dois níveis de dados espectrais (terrestre e orbital) não diferiram estatisticamente. Os índices de vegetação NDVI, SR e RVI foram os dados espectrais mais correlacionados com as variáveis agronômicas, nos dois níveis de dados de sensoriamento remoto. As regressões lineares múltiplas, geradas para estimar a TCH e a BMT, apresentaram coeficientes de determinação (r2) superiores a 0,90, nos modelos com os dados de radiometria de campo, e superiores a 0,85 com os dados orbitais, mostrando-se uma técnica eficiente para a estimar a produtividade e a biomassa aérea da cana-de-açúcar. Palavras chave: Cana-de-açúcar; indicadores de crescimento; dados espectrais terrestres; dados espectrais orbitais / Abstract: The knowledge about the relations between agronomic variables and spectral data is a challenging issue when adopting remote sensing technique for crop yield forecast. This study analyses the relationship between sugarcane agronomic variables and spectral data derived from field spectroscopy and orbital data. One commercial field of sugarcane with the variety SP80-1842, planted in 1996, located in Araras municipality, São Paulo State, was monitored by biophysical data, field spectroscopy and satellite images in nine different dates during the crop seasons of 2000 and 2001. Leaf area index (LAI), number of stalks per meter (NPM), yield (TCH), total biomass (BMT) and spectral data were studied by temporal analysis, by linear and multiple regressions (Stepwise), and correlation analysis. Field spectroscopy data were obtained with Cimel 313a and orbital data were gathered from Landsat-5 and Landsat-7 images. All the three sensors have the same spectral resolution. The spectral data studied were red band, near infrared band and the spectral vegetation indices SR, RVI, NDVI and SAVI. The temporal behaviour of the agronomic variables were explained by sigmoidal and exponential models and the spectral data were explained by quadratic, cubic and exponential cubic models. No significant differences were found between the two levels of spectral data: field spectroscopy and orbital images. The best correlations between spectral vegetation indices and agronomic variables were with NDVI, SR and RVI. Multiple regression used to estimate yield and biomass obtained r2 values greater than 0,90 for field spectroscopy and greater than 0,80 for satellite images. These results showed the feasibily of using regression analysis to estimate yield and biomass of sugarcane based on spectral data. Key words: Sugarcane; growth analysis; field spectroscopy; orbital spectral data / Doutorado / Planejamento e Desenvolvimento Rural Sustentável / Doutor em Engenharia Agrícola

La connaissance détaillée et le suivi de la végétation urbaine représentent un enjeu important, tant pour les scientifiques qui étudient les relations paysage-écosystème, que pour les gestionnaires qui sont chargés de l'entretien et de la gestion de la végétation. Le principal objectif de cette thèse est d'évaluer l'intérêt des images à THRS pour cartographier la végétation en ville. Plus précisément, elle vise à évaluer le potentiel des images THRS sur trois composantes : la résolution spatiale, la résolution spectrale et l'altimétrie. Pour cela, nous avons traité plusieurs types de données optiques THRS acquises sur la Ville de Rennes et le Site des Prairies Saint-Martin : des images 2D multispectrales et superspectrales, des images multispectrales 2,5D et des données 3D acquises par un LiDAR bi-spectral. Dans un premier temps, nous avons évalué l'intérêt d'utiliser des images THRS 2D multispectrales pour identifier et caractériser la végétation et des images THRS super spectrales afin d'identifier les espèces végétales. Dans un second temps, nous avons évalué l'apport de données multispectrales THRS 2,5D et 3D pour cartographier les formes de végétation en milieu urbain en utilisant des variables spectrales, contextuelles et de hauteur. Dans un troisième temps, avons cherché à évaluer l'impact, de l'intégration des informations sur la végétation dérivées de données de télédétection THRS dans deux modèles environnementaux, un permettant d'étudier la relation paysage-biodiversité, l'autre la relation paysage- îlot de chaleur urbain / Abstract: Detailed knowledge and monitoring of urban vegetation is an important issue, both for scientists studying landscape-ecosystems relationships, and for the managers who are in charge of the vegetation management. The main objective of this thesis is to evaluate the interest of THRS images to map urban vegetation. More specifically, it aims to evaluate the potential of THRS images on three components: spatial resolution, spectral resolution and altimetry. For this purpose, we processed several types of THRS optical data acquired on the City of Rennes and the Prairies Saint-Martin Site: multispectral and superspectral 2D images, 2.5D multispectral images and 3D data acquired with a bi-spectral LiDAR. Firstly, we assessed the interest of using 2D multispectral THRS images to identify and characterize vegetation and superspectral THRS images to discriminate plant species. Secondly, we assessed the contribution of THRS 2.5D and 3D multispectral data to map vegetation patterns in urban areas using spectral, contextual and height variables. Thirdly, we sought to evaluate the impact, of the integration of vegetation information derived from THRS remote sensing data into two environmental models, one to study the landscape-biodiversity relationship, the other to analyze the landscape- urban cool island relationship.

Submitted by Sandra Pereira (srpereira@ufrrj.br) on 2018-02-09T11:41:07Z No. of bitstreams: 1 2016 - Ramon de Souza Victorino da Silva.pdf: 1815548 bytes, checksum: d38cb3bc107f782e4c75f4e66118d838 (MD5) / Made available in DSpace on 2018-02-09T11:41:07Z (GMT). No. of bitstreams: 1 2016 - Ramon de Souza Victorino da Silva.pdf: 1815548 bytes, checksum: d38cb3bc107f782e4c75f4e66118d838 (MD5) Previous issue date: 2016-02-18 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior, CAPES, Brasil. / The aim of this project was to develop a statistical classifier based on algorithms using Bayesian theorem for prediction of nitrogen applied to the soil using low cost multispectral images Tifton85 pastures From information obtained from these images the indexes were calculated spectrum, which was used in a feature vector for discriminating N levels applied to the soil. The research was developed in the Rural Federal University of Rio de Janeiro, Department of Engineering, Machinery Area and Energy in Agriculture. The data were obtained from an experiment installed in the production area of Company Feno Rio Agro LTDA, partner in the project. Images were acquired in 2 times one after 36 days due to the cutting standardization of culture using a UAV (Unmanned Aerial Vehicle) and at 7, 14, 21, 28, 35, 42, 56 days using an imaging platform an experiment with 6 portions 250m2 (10x25m) containing respectively the treatments (0, 50, 100, 150, 200 and 250 kg ha-? N), statistical analyzes were performed the computer program SAS version student using PROCDISCRIM procedure. It was determined discriminant functions for each dose of nitrogen, using as feature vectors vegetation indices (NDVI, GNIR, SAVI, GNDVI, RNIR). These discriminant functions were tested in a Bayesian classifier, and the highest accuracies were using vegetation indices together getting a Kappa coefficient and overall accuracy of 83% and 80%, respectively. The results indicate that low cost multispectral images can be used to develop classifiers of nitrogen applied to the soil. These binders may be applied in computational algorithms in agricultural machinery control systems for fertilizer application at variable rates in precision agriculture. / O objetivo geral deste projeto foi desenvolver um classificador estat?stico com base em algoritmos utilizando o teorema bayesianos para predi??o de doses de nitrog?nio aplicadas ao solo, atrav?s de imagens multiespectrais de baixo custo em pastagens de Tifton85 A partir de informa??es obtidas nessas imagens foram calculados os ?ndices espectrais, os quais foram utilizados em um vetor de caracter?sticas para discriminar n?veis de N aplicados ao solo. A pesquisa foi desenvolvida na Universidade Federal Rural do Rio de Janeiro, Departamento de Engenharia, ?rea de M?quinas e Energia na Agricultura. Os dados foram obtidos de um experimento instalado no campo de produ??o da Empresa Feno Rio Agro LTDA, parceira do projeto. As imagens foram adquiridas em 2 momentos uma ap?s 36 dias decorrentes ao corte de uniformiza??o da cultura utilizando um VANT (Ve?culo A?reo N?o Tripulado) e aos 7, 14, 21, 28, 35, 42, 56 dias utilizando uma plataforma de capta??o de imagens de um experimento com 6 parcelas contendo respectivamente os tratamentos (0, 50, 100, 150, 200 e 250 kg ha -? de N), as an?lises estat?sticas foram realizadas no programa computacional SAS vers?o estudante, utilizando o procedimento PROCDISCRIM. Determinou-se fun??es discriminantes para cada dose de nitrog?nio, utilizando-se como vetores de caracter?sticas os ?ndices de vegeta??o (NDVI, GNIR, SAVI, GNDVI, RNIR). Essas fun??es discriminantes foram testadas em um classificador bayesiano, sendo que a maior acur?cia de classifica??o foi utilizando os ?ndices de vegeta??o em conjunto obtendo um coeficiente Kappa e a exatid?o global de 83% e 80%, respectivamente. Os resultados indicam que imagens multiespectrais de baixo custo podem ser utilizadas para desenvolver classificadores de doses de nitrog?nio aplicadas ao solo. Esses classificadores poder?o ser aplicados em algoritmos computacionais em sistemas de controle de m?quinas agr?colas para aplica??o de fertilizantes a taxas vari?veis em agricultura de precis?o.

Le développement de méthodes de la détection en temps réel de cellules anormales (pouvant être considérées comme des cellules cancéreuses) par captures et traitements bio-images sont des axes de recherche importants dans le domaine biomédical car cela contribue à diagnostiquer un cancer. C’est dans ce contexte que se situe ces travaux de thèse. Plus précisément, les travaux présentés dans ce manuscrit, se focalise sur le développement de procédures de lecture, de détection et de classification automatiques de bio-images de cellules anormales considérées comme des cellules cancéreuses. Par conséquent, une première étape du travail à consister à déterminer une solution de détection, à partir d’images microscopiques multispectrales permettant une répétitivité d’images sur une gamme de longueurs d'ondes de certains types de bio-images anormales associées à différents stades ou évolutions de cellules cancéreuses. L’approche développée dans ces travaux repose sur l’exploitation d’une nouvelle méthode de segmentation basée sur l'intensité de la couleur et pouvant être appliquée sur des séquences d'objets dans une image en reformant de manière adaptative et itérative la localisation et la couverture de contours réels de cellules. Cette étape préalable de segmentation est primordiale et permet une classification des tissus anormaux en utilisant la méthode de réseau de neurones à convolution (CNN) appliqué sur les images microscopiques segmenté de type snake. L’approche permet d’obtenir de bas résultats comparativement à une approche basée sur d’autres méthodes de segmentation de la littérature. En effet, cette méthode de classification atteint des valeurs de performance de 100% pour la phase d’apprentissage et de 99.168 % pour les phases de test. Cette méthode est comparée à différents travaux antérieurs et basée sur différentes fonctionnalités d'extraction, et a prouvé son efficacité par rapport à ces autres méthodes. En terme de perspectives, les travaux futurs visent à valider notre approche sur des ensembles de données plus larges, et à explorer différentes architectures CNN selon différents critères d’optimisation / Development of methods for help diagnosis of the real time detection of abnormal cells (which can be considered as cancer cells) through bio-image processing and detection are most important research directions in information science and technology. Our work has been concerned by developing automatic reading procedures of the normal and abnormal bio-images tissues. Therefore, the first step of our work is to detect a certain type of abnormal bio-images associated to many types evolution of cancer within a Microscopic multispectral image, which is an image, repeated in many wavelengths. And using a new segmentation method that reforms itself in an iterative adaptive way to localize and cover the real cell contour, using some segmentation techniques. It is based on color intensity and can be applied on sequences of objects in the image. This work presents a classification of the abnormal tissues using the Convolution neural network (CNN), where it was applied on the microscopic images segmented using the snake method, which gives a high performance result with respect to the other segmentation methods. This classification method reaches high performance values, where it reaches 100% for training and 99.168% for testing. This method was compared to different papers that uses different feature extraction, and proved its high performance with respect to other methods. As a future work, we will aim to validate our approach on a larger datasets, and to explore different CNN architectures and the optimization of the hyper-parameters, in order to increase its performance, and it will be applied to relevant medical imaging tasks including computer-aided diagnosis

Este projeto de doutorado apresenta uma nova abordagem MAP-MRF para a classificação contextual de imagens multiespectrais utilizando combinação de modelos de Campos Aleatórios Markovianos definidos em sistemas de ordens superiores. A modelagem estatística para o problema de classificação segue o paradigma Bayesiano, com a definição de um modelo Markoviano para os dados observados (Gaussian Markov Random Field multiespectral) e outro modelo para representar o conhecimento a priori (Potts). Nesse cenário, o parâmetro β do modelo de Potts atua como um parâmetro de regularização, tendo papel fundamental no compromisso entre as observações e o conhecimento a priori, de modo que seu correto ajuste é necessário para a obtenção de bons resultados. A introdução de sistemas de vizinhança de ordens superiores requer a definição de novos métodos para a estimação dos parâmetros dos modelos Markovianos. Uma das contribuições desse trabalho é justamente propor novas equações de pseudo-verossimilhança para a estimação desses parâmetros no modelo de Potts em sistemas de segunda e terceira ordens. Apesar da abordagem por máxima pseudo-verossimilhança ser amplamente utilizada e conhecida na literatura de campos aleatórios, pouco se conhece acerca da acurácia dessa estimação. Foram derivadas aproximações para a variância assintótica dos estimadores propostos, caracterizando-os completamente no caso limite, com o intuito de realizar inferências e análises quantitativas sobre os parâmetros dos modelos Markovianos. A partir da definição dos modelos e do conhecimento dos parâmetros, o próximo estágio é a classificação das imagens multiespectrais. A solução para esse problema de inferência Bayesiana é dada pelo critério de estimação MAP, onde a solução ótima é determinada maximizando a probabilidade a posteriori, o que define um problema de otimização. Como não há solução analítica para esse problema no caso de prioris Markovianas, algoritmos iterativos de otimização combinatória foram empregados para aproximar a solução ótima. Nesse trabalho, adotam-se três métodos sub-ótimos: Iterated Conditional Modes, Maximizer of the Posterior Marginals e Game Strategy Approach. Porém, é demonstrado na literatura que tais métodos convergem para máximos locais e não globais, pois são altamente dependentes de sua condição inicial. Isto motivou o desenvolvimento de uma nova abordagem para combinação de classificadores contextuais, que utiliza múltiplas inicializações simultâneas providas por diferentes classificadores estatísticos pontuais. A metodologia proposta define um framework MAP-MRF bastante robusto para solução de problemas inversos, pois permite a utilização e a integração de diferentes condições iniciais em aplicações como classificação, filtragem e restauração de imagens. Como medidas quantitativas de desempenho, são adotados o coeficiente Kappa de Cohen e o coeficiente Tau de Kendall para verificar a concordância entre as saídas dos classificadores e a verdade terrestre (amostras pré-rotuladas). Resultados obtidos mostram que a inclusão de sistemas de vizinhança de ordens superiores é de fato capaz de melhorar significativamente não apenas o desempenho da classificação como também a estimação dos parâmetros dos modelos Markovianos, reduzindo tanto o erro de estimação quanto a variância assintótica. Além disso, a combinação de classificadores contextuais através da utilização de múltiplas inicializações simultâneas melhora significativamente o desempenho da classificação se comparada com a abordagem tradicional com apenas uma inicialização. / This work presents a novel MAP-MRF approach for multispectral image contextual classification by combining higher-order Markov Random Field models. The statistical modeling follows the Bayesian paradigm, with the definition of a multispectral Gaussian Markov Random Field model for the observations and a Potts MRF model to represent the a priori knowledge. In this scenario, the Potts MRF model parameter (β) plays the role of a regularization parameter by controlling the tradeoff between the likelihood and the prior knowledge, in a way that a suitable tunning for this parameter is required for a good performance in contextual classification. The introduction of higher-order MRF models requires the specification of novel parameter estimation methods. One of the contributions of this work is the definition of novel pseudo-likelihood equations for the estimation of these MRF parameters in second and third order neighborhood systems. Despite its widely usage in practical MRF applications, little is known about the accuracy of maximum pseudo-likelihood approach. Approximations for the asymptotic variance of the proposed MPL estimators were derived, completely characterizing their behavior in the limiting case, allowing statistical inference and quantitative analysis. From the statistical modeling and having the model parameters estimated, the next step is the multispectral image classification. The solution for this Bayesian inference problem is given by the MAP criterion, where the optimal solution is obtained by maximizing the a posteriori distribution, defining an optimization problem. As there is no analytical solution for this problem in case of Markovian priors, combinatorial optimization algorithms are required to approximate the optimal solution. In this work, we use three suboptimal methods: Iterated Conditional Modes, Maximizer of the Posterior Marginals and Game Strategy Approach, a variant approach based on non-cooperative game theory. However, it has been shown that these methods converge to local maxima solutions, since they are extremelly dependent on the initial condition. This fact motivated the development of a novel approach for combination of contextual classifiers, by making use of multiple initializations at the same time, where each one of these initial conditions is provided by different pointwise pattern classifiers. The proposed methodology defines a robust MAP-MRF framework for the solution of general inverse problems since it allows the use and integration of several initial conditions in a variety of applications as image classification, denoising and restoration. To evaluate the performance of the classification results, two statistical measures are used to verify the agreement between the classifiers output and the ground truth: Cohens Kappa and Kendalls Tau coefficient. The obtained results show that the use of higher-order neighborhood systems is capable of significantly improve not only the classification performance, but also the MRF parameter estimation by reducing both the estimation error and the asymptotic variance. Additionally, the combination of contextual classifiers through the use of multiple initializations also improves the classificatoin performance, when compared to the traditional single initialization approach.

Les images de télédétection sont des images de la surface de la Terre acquises par des satellites ou des avions. Ces images sont de plus en plus disponibles et leur technologies évoluent rapidement. On peut observer une amélioration des capteurs existants, mais de nouveaux types de capteurs ont également vu le jour et ont montré des propriétés intéressantes pour le traitement d'images. Ainsi, les images multispectrales et radar sont devenues très classiques.La disponibilité de différents capteurs est très intéressante car elle permet de capturer une grande variété de propriétés des objets. Ces propriétés peuvent être exploitées pour extraire des informations plus riches sur les objets. Une des applications majeures de la télédétection est la détection de changements entre des images multi-temporelles (images de la même scène acquise à des instants différents). Détecter des changements entre des images acquises par des capteurs homogènes est un problème classique. Mais le problème de la détection de changements entre images acquises par des capteurs hétérogènes est un problème beaucoup plus difficile.Avoir des méthodes de détection de changements adaptées aux images issues de capteurs hétérogènes est nécessaire pour le traitement de catastrophes naturelles. Des bases de données constituées d'images optiques sont disponible, mais il est nécessaire d'avoir de bonnes conditions climatiques pour les acquérir. En revanche, les images radar sont accessibles rapidement quelles que soient les conditions climatiques et peuvent même être acquises de nuit. Ainsi, détecter des changements entre des images optiques et radar est un problème d'un grand intérêt en télédétection.L'intérêt de cette thèse est d'étudier des méthodes statistiques de détention de changements adaptés aux images issues de capteurs hétérogènes.Chapitre 1 rappelle ce qu'on entend par une image de télédétection et résume rapidement quelques méthodes de détection de changements disponibles dans la littérature. Les motivations à développer des méthodes de détection de changements adaptées aux images hétérogènes et les difficultés associiées sont présentés.Chapitre 2 étudie les propriétés statistiques des images en l'absence de changements. Un modèle de mélange de lois adapté aux ces images est introduit. La performance des méthodes classiques de détection de changements est également étudiée. Dans plusieurs cas, ce modèle permet d'expliquer certains défauts de certaines méthodes de la literature.Chapitre 3 étudie les propriétés des paramètres du modèle introduit au chapitre 2 en faisant l'hypothèse qu'ils appartiennent à une variété en l'absence de changements. Cette hypothèse est utilisée pour définir une mesure de similarité qui permet d'éviter les défauts des approches statistiques classiques. Une méthode permettant d'estimer cette mesure de similarité est présentée. Enfin, la stratégie de détection de changements basée sur cette mesure est validée à l'aide d'images synthétiques.Chapitre 4 étudie un algorithme Bayésien non-paramétrique (BNP) qui permet d'améliorer l'estimation de la variété introduite au chapitre 3, qui est basé sur un processus de restaurant Chinois (CRP) et un champs de Markov qui exploite la corrélation spatiale entre des pixels voisins de l'image. Une nouvelle loi a priori de Jeffrey pour le paramètre de concentration de ce CRP est définit. L'estimation des paramètres de ce nouveau modèle est effectuée à l'aide d'un échantillonneur de Gibbs de type "collapsed Gibbs sampler". La stratégie de détection de changement issue de ce modèle non-paramétrique est validée à l'aide d'images synthétiques.Le dernier chapitre est destiné à la validation des algorithmes de détection de changements développés sur des jeux d'images réelles montrant des résultats encourageant pour tous les cas d'étude. Le modèle BNP permet d'obtenir de meilleurs performances que le modèle paramétrique, mais ceci se fait au prix d'une complexité calculatoire plus importante. / Remote sensing images are images of the Earth surface acquired from satellites or air-borne equipment. These images are becoming widely available nowadays and its sensor technology is evolving fast. Classical sensors are improving in terms of resolution and noise level, while new kinds of sensors are proving to be useful. Multispectral image sensors are standard nowadays and synthetic aperture radar (SAR) images are very popular.The availability of different kind of sensors is very advantageous since it allows us to capture a wide variety of properties of the objects contained in a scene. These properties can be exploited to extract richer information about these objects. One of the main applications of remote sensing images is the detection of changes in multitemporal datasets (images of the same area acquired at different times). Change detection for images acquired by homogeneous sensors has been of interest for a long time. However the wide range of different sensors found in remote sensing makes the detection of changes in images acquired by heterogeneous sensors an interesting challenge.Accurate change detectors adapted to heterogeneous sensors are needed for the management of natural disasters. Databases of optical images are readily available for an extensive catalog of locations, but, good climate conditions and daylight are required to capture them. On the other hand, SAR images can be quickly captured, regardless of the weather conditions or the daytime. For these reasons, optical and SAR images are of specific interest for tracking natural disasters, by detecting the changes before and after the event.The main interest of this thesis is to study statistical approaches to detect changes in images acquired by heterogeneous sensors. Chapter 1 presents an introduction to remote sensing images. It also briefly reviews the different change detection methods proposed in the literature. Additionally, this chapter presents the motivation to detect changes between heterogeneous sensors and its difficulties.Chapter 2 studies the statistical properties of co-registered images in the absence of change, in particular for optical and SAR images. In this chapter a finite mixture model is proposed to describe the statistics of these images. The performance of classical statistical change detection methods is also studied by taking into account the proposed statistical model. In several situations it is found that these classical methods fail for change detection.Chapter 3 studies the properties of the parameters associated with the proposed statistical mixture model. We assume that the model parameters belong to a manifold in the absence of change, which is then used to construct a new similarity measure overcoming the limitations of classic statistical approaches. Furthermore, an approach to estimate the proposed similarity measure is described. Finally, the proposed change detection strategy is validated on synthetic images and compared with previous strategies.Chapter 4 studies Bayesian non parametric algorithm to improve the estimation of the proposed similarity measure. This algorithm is based on a Chinese restaurant process and a Markov random field taking advantage of the spatial correlations between adjacent pixels of the image. This chapter also defines a new Jeffreys prior for the concentration parameter of this Chinese restaurant process. The estimation of the different model parameters is conducted using a collapsed Gibbs sampler. The proposed strategy is validated on synthetic images and compared with the previously proposed strategy. Finally, Chapter 5 is dedicated to the validation of the proposed change detection framework on real datasets, where encouraging results are obtained in all cases. Including the Bayesian non parametric model into the change detection strategy improves change detection performance at the expenses of an increased computational cost.

The necessity to identify objects in the ground constituted by several types of materials became a challenge to the remote sensing researchers. This situation promoted new researches about sensors development and stimulated the improvement and the creation of new techniques and tools that assist in characterization of the targets. Following this necessity this research was developed with the objective of characterize urban targets in multispectral images, by means multivariated statistical analysis and supported by ground spectroradiometry. It was used the sensor MSS EPS A 31T, the spectroradiometer FieldSpec Pro FR and the softwares R 2.7 and ERDAS 8.7. It was realized a sensing in a continuous strip over the Federal University of Santa Maria RS in three distinct schedules, at 12:00 pm HBV and 04:00 pm HBV in 17/12/2008 and at 09:00 am HBV in 27/12/2007. The MSS sensor was operated from the R-99B, a FAB aircraft, on 31 channels mode, in the spectral interval of 0,42μm and 12,5μm and space resolution of 2,5m. parallel to the flight it was realized the reading of the radiation reflected by the targets on ground using the spectroradiometer, which operate in the continuous interval from 0,35 μm to 2,5 μm. A methodology allied with the photo interpretation is the analytic statistic, therefore with the technological evolution it became to associate the panchromatic aerial photographic with multispectrals images. The data obtained in the research were recorded and treated in their respective interfaces and converted to mains. The MSS 3 digital values were rejected from the research because of treatment incompatibility. Initially it was made the analysis of the main components, identifying the three main components (MSS sensor channels 7, 3 and 30), answering them for 99,947% and 99,948% of the originals variables variability to MSS 1 and MSS 2 respectively. From that was generated a high contrast image among the constituent materials of the proposed targets. The wavelength intervals of the three main components were retaken to mains structuring to the execution of the regression analysis. The main components were linked with the ground spectroradiometry realized readings, in their respective spectral intervals. The regression coefficients found had answered respectively for 76,99% of the MSS1 depended variables variability and 85,40% of the MSS 2. These percentages had expressed a better adjust in the second regression and in a smaller variability of the residual errors. The residual error s median to MSS 1 was - 0,2869 and to MSS 2 was 0,0851. The model validity verification was executed with the application of the variance analysis (ANOVA) that showed in F test the values: MSS 1= 66,91 e MSS 2 = 116,99. As the values of Ftab (F 5%;3;60) is equal 2,76, it is noticed that the values of Fcalc is bigger than Ftab , (Fcalc > Ftab), to both analysis. Through the obtained results it is concluded that the employed methodology is valid to characterize the proposed targets and the model contribute to distinguish among them in the MSS image analysis. / A necessidade de identificar objetos no solo constituídos por diversificados tipos de materiais tornou-se um desafio aos pesquisadores na atividade de sensoriamento remoto. Esta situação alavancou novas pesquisas na área de desenvolvimento de sensores e estimulou o aprimoramento e criação de novas técnicas e ferramentas que auxiliem na caracterização dos alvos. Acompanhando esta necessidade foi desenvolvida esta pesquisa, com o objetivo de caracterizar alvos urbanos em imagens multiespectrais, por meio de estatística multivariada, apoiado em espectroradiometria de solo. Foi utilizado o Sensor MSS EPS-A 31T, o espectroradiômetro FieldSpec Pro FR e os softwares R 2.7© e ERDAS 8.7®. Foi realizado o sensoriamento em uma faixa contínua sobre a Universidade Federal de Santa Maria-RS em três horários distintos, as 12:00HBV (MSS1) e 16:00HBV (MSS2) do dia 17/12/2007 e as 09:00HBV (MSS3) do dia 27/12/2007. O sensor MSS foi operado na aeronave R-99B, no modo 31 canais no intervalo espectral entre 0,42μm a 12,5μm, com uma resolução espacial de 2,5m. Paralelo ao vôo foi efetuado a leitura da radiação refletida pelos alvos no solo com o espectroradiômetro que opera na faixa de 0,35μm a 2,5μm. Uma metodologia que se alia a fotointerpretação é a da estatística analítica, pois com a evolução tecnológica passou-se a associar fotografias aéreas pancromáticas e imagens multiespectrais. Os dados gerados na pesquisa foram transferidos e convertidos em matrizes de dados. Os valores digitais de MSS3 foram descartados do trabalho por incompatibilidade no tratamento. Inicialmente foi executada a análise de componentes principais identificando-se as três principais componentes (canais 7, 3 e 30 do sensor MSS), respondendo estas por 99,947% e 99,948% da variabilidade das variáveis originais para MSS1 e MSS2, respectivamente. A partir desta gerou-se uma imagem de alto contraste entre os materiais constituintes dos alvos propostos. Os intervalos de comprimento de onda da análise de componentes principais foram retomados para a estruturação de matrizes que permitissem uma análise de regressão. As principais componentes foram, então, relacionadas com as leituras efetuadas na espectroradiometria de solo, em seus referidos intervalos espectrais. Os coeficientes de regressão encontrados responderam respectivamente por 76,99% da variação da variável dependente em MSS1 e por 85,40% em MSS2. Estes percentuais traduziram-se em um melhor ajuste na segunda regressão e uma menor variabilidade dos erros residuais. A média dos erros residuais para MSS1 foi -0,2869, enquanto que em MSS2 foi -0,0851. A verificação da validade do modelo foi efetuada com a aplicação da análise de variância (ANOVA) que retratou no teste F os valores: MSS1= 66,91 e MSS2= 116,99. Como o valor do Ftab (F 5%;3;60) é igual a 2,76, percebe-se que o valor de Fcalc é maior que o valor do Ftab , (Fcalc > Ftab) para as duas análises. Pelos resultados alcançados conclui-se que a metodologia empregada é valida para a caracterização dos alvos propostos e o modelo contribui para a distinção entre estes na análise de imagens MSS.

Este projeto de doutorado apresenta uma nova abordagem MAP-MRF para a classificação contextual de imagens multiespectrais utilizando combinação de modelos de Campos Aleatórios Markovianos definidos em sistemas de ordens superiores. A modelagem estatística para o problema de classificação segue o paradigma Bayesiano, com a definição de um modelo Markoviano para os dados observados (Gaussian Markov Random Field multiespectral) e outro modelo para representar o conhecimento a priori (Potts). Nesse cenário, o parâmetro β do modelo de Potts atua como um parâmetro de regularização, tendo papel fundamental no compromisso entre as observações e o conhecimento a priori, de modo que seu correto ajuste é necessário para a obtenção de bons resultados. A introdução de sistemas de vizinhança de ordens superiores requer a definição de novos métodos para a estimação dos parâmetros dos modelos Markovianos. Uma das contribuições desse trabalho é justamente propor novas equações de pseudo-verossimilhança para a estimação desses parâmetros no modelo de Potts em sistemas de segunda e terceira ordens. Apesar da abordagem por máxima pseudo-verossimilhança ser amplamente utilizada e conhecida na literatura de campos aleatórios, pouco se conhece acerca da acurácia dessa estimação. Foram derivadas aproximações para a variância assintótica dos estimadores propostos, caracterizando-os completamente no caso limite, com o intuito de realizar inferências e análises quantitativas sobre os parâmetros dos modelos Markovianos. A partir da definição dos modelos e do conhecimento dos parâmetros, o próximo estágio é a classificação das imagens multiespectrais. A solução para esse problema de inferência Bayesiana é dada pelo critério de estimação MAP, onde a solução ótima é determinada maximizando a probabilidade a posteriori, o que define um problema de otimização. Como não há solução analítica para esse problema no caso de prioris Markovianas, algoritmos iterativos de otimização combinatória foram empregados para aproximar a solução ótima. Nesse trabalho, adotam-se três métodos sub-ótimos: Iterated Conditional Modes, Maximizer of the Posterior Marginals e Game Strategy Approach. Porém, é demonstrado na literatura que tais métodos convergem para máximos locais e não globais, pois são altamente dependentes de sua condição inicial. Isto motivou o desenvolvimento de uma nova abordagem para combinação de classificadores contextuais, que utiliza múltiplas inicializações simultâneas providas por diferentes classificadores estatísticos pontuais. A metodologia proposta define um framework MAP-MRF bastante robusto para solução de problemas inversos, pois permite a utilização e a integração de diferentes condições iniciais em aplicações como classificação, filtragem e restauração de imagens. Como medidas quantitativas de desempenho, são adotados o coeficiente Kappa de Cohen e o coeficiente Tau de Kendall para verificar a concordância entre as saídas dos classificadores e a verdade terrestre (amostras pré-rotuladas). Resultados obtidos mostram que a inclusão de sistemas de vizinhança de ordens superiores é de fato capaz de melhorar significativamente não apenas o desempenho da classificação como também a estimação dos parâmetros dos modelos Markovianos, reduzindo tanto o erro de estimação quanto a variância assintótica. Além disso, a combinação de classificadores contextuais através da utilização de múltiplas inicializações simultâneas melhora significativamente o desempenho da classificação se comparada com a abordagem tradicional com apenas uma inicialização. / This work presents a novel MAP-MRF approach for multispectral image contextual classification by combining higher-order Markov Random Field models. The statistical modeling follows the Bayesian paradigm, with the definition of a multispectral Gaussian Markov Random Field model for the observations and a Potts MRF model to represent the a priori knowledge. In this scenario, the Potts MRF model parameter (β) plays the role of a regularization parameter by controlling the tradeoff between the likelihood and the prior knowledge, in a way that a suitable tunning for this parameter is required for a good performance in contextual classification. The introduction of higher-order MRF models requires the specification of novel parameter estimation methods. One of the contributions of this work is the definition of novel pseudo-likelihood equations for the estimation of these MRF parameters in second and third order neighborhood systems. Despite its widely usage in practical MRF applications, little is known about the accuracy of maximum pseudo-likelihood approach. Approximations for the asymptotic variance of the proposed MPL estimators were derived, completely characterizing their behavior in the limiting case, allowing statistical inference and quantitative analysis. From the statistical modeling and having the model parameters estimated, the next step is the multispectral image classification. The solution for this Bayesian inference problem is given by the MAP criterion, where the optimal solution is obtained by maximizing the a posteriori distribution, defining an optimization problem. As there is no analytical solution for this problem in case of Markovian priors, combinatorial optimization algorithms are required to approximate the optimal solution. In this work, we use three suboptimal methods: Iterated Conditional Modes, Maximizer of the Posterior Marginals and Game Strategy Approach, a variant approach based on non-cooperative game theory. However, it has been shown that these methods converge to local maxima solutions, since they are extremelly dependent on the initial condition. This fact motivated the development of a novel approach for combination of contextual classifiers, by making use of multiple initializations at the same time, where each one of these initial conditions is provided by different pointwise pattern classifiers. The proposed methodology defines a robust MAP-MRF framework for the solution of general inverse problems since it allows the use and integration of several initial conditions in a variety of applications as image classification, denoising and restoration. To evaluate the performance of the classification results, two statistical measures are used to verify the agreement between the classifiers output and the ground truth: Cohens Kappa and Kendalls Tau coefficient. The obtained results show that the use of higher-order neighborhood systems is capable of significantly improve not only the classification performance, but also the MRF parameter estimation by reducing both the estimation error and the asymptotic variance. Additionally, the combination of contextual classifiers through the use of multiple initializations also improves the classificatoin performance, when compared to the traditional single initialization approach.