A modelagem hidrológica quando associada aos recursos do sensoriamento remoto e do geoprocessamento torna-se uma ferramenta importante, pois é capaz de estabelecer diferentes cenários da cobertura e do uso da terra e suas implicações na drenagem urbana, auxiliando no planejamento urbano. Entretanto, a relação entre o modelo chuva x vazão e tais técnicas, com finalidade de avaliar classificadores de imagens a partir de hidrogramas de cheia não foi encontrada na literatura, tornando esse o objetivo principal desta tese. Para isso, foram utilizadas três imagens de satélite de diferentes resoluções espaciais (0,5m, 5m e 15m) e três algoritmos classificadores (Máxima Verossimilhança, Máquinas Vetores Suporte e Análise Orientada a Objeto) e formados conjuntos denominado \"classificador-imagem\" para classificação da cobertura e do uso da terra. As áreas das classes dos usos da terra de cada conjunto \"classificador-imagem\" e os valores de Curve Number foram os principais dados de entrada do modelo chuva-vazão NRCS, que permitiu gerar os hidrogramas de cheia para cada caso. Os hidrogramas simulados foram comparados aos hidrogramas observados na bacia e avaliados, quanto a sua representatividade, pelo coeficiente de Nash Sutcliffe. As classificações do uso da terra foram avaliadas pelo Índice Kappa, com valores de 0,58 a 0,99 e pela Exatidão Global, com valores de 0,64 a 0,99. Para as vazões, o coeficiente de Nash Sutcliffe foi considerado satisfatório (NS<0,50) em duas simulações e, nas demais simulações, considerado muito bom (NS>0,75). Para fornecer subsídio a tomada de decisão, foi realizada uma análise multicritério dos conjuntos classificador-imagem, que permitiu classificar os conjuntos com maior desempenho: 1°) o classificador SVM e a imagem Landsat-8; 2°) o classificador MaxVer e a imagem WordView-II; 3°) o classificador NN e a imagem RapidEye. / Hydrological modeling when associated with remote sensing and geoprocessing resources becomes an important tool, because it is able to establish different land use scenarios and its implications for urban drainage, assisting in urban planning. However, the relationship between the routing model and such techniques, for purpose to evaluate images classifiers from the runoff hydrograph was not found in the literature, making this the main objective of this thesis. Thereunto, three satellite images were used in different spatial resolutions (0.5m, 5m and 15m) and three algorithms classifiers (Maximum Likelihood, Support Vector Machine and Oriented Object Analysis) and composed sets called \"classifier-image\" for the land use classification. The areas of the land use classes of each set \"classifier-image\" and the Curve Number values were the main input of the routing model NRCS, which allowed generating the runoff hydrograph for each case. The simulated hydrographs were compared to the observed hydrograph in the basin and evaluated their representativeness through the Nash Sutcliffe coefficient. Kappa Index was calculated to evaluate land use classifications, with values between 0.58 to 0.99 and Global accuracy between 0.64 to 0.99. Towards the flows rates, the Nash Sutcliffe coefficient was considered satisfactory for two simulations (NS<0,50) and, to other simulations, considered very good (NS>0,75). To provide subsidy to decision-making, it carried out a multi-criteria analysis of the classifier-image sets, that allowed to classify the set with higher performance: 1) SVM classifier and Landsat-8 image; 2) MaxVer classifier and WorldView-II image; 3) NN classifier and RapidEye image.

As florestas plantadas tem atraído grande interesse pela possibilidade de utilização em aplicações bioenergéticas frente à tendência mundial de priorizar fontes de energia que proporcionem maior sustentabilidade ambiental, mais qualidade e segurança. No Brasil, os deslocamentos na geografia da cadeia produtiva agroflorestal atual em direção às regiões de fronteira agrícola (Centro-Oeste e Norte) vem criando desafios de adequação dos conhecimentos técnico-científicos já consolidados em outras regiões. Nesse contexto, o objetivo desta dissertação é avaliar a acurácia da classificação e identificação de áreas cultivadas com florestas plantadas para fins energéticos, em imagens orbitais do sensor Landsat 5 TM. Por meio de técnicas estatísticas de mineração de dados, o presente trabalho também avaliou a utilização de um amplo conjunto de atributos para identificar melhorias nos resultados da classificação. A pesquisa se concentrou em amostras de áreas plantadas no estado do Tocantins, região norte do Brasil. As técnicas de mineração de dados utilizadas se mostraram eficientes na identificação precisa de florestas plantadas em imagens do satélite Landsat 5, tanto pelo desempenho da classificação, quanto pela redução da quantidade de informação necessária para a resolução deste tipo de problema. Assim, as técnicas empregadas neste estudo possibilitam o desenvolvimento de modelos de classificação robustos no auxílio ao planejamento e à tomada de decisão sobre a plantação de florestas no território brasileiro. / Planted forests have attracted a lot of attention because of possibility of use in bioenergy applications and due to the global trend of prioritizing energy sources that provide greater environmental sustainability, more quality and security. In Brazil, the shifts in the geography of current agroforestry production chain towards the agricultural frontier areas (Midwest and North) are creating challenges to the adequacy of technical and scientific knowledge already established in other regions. So, the aim of this work is to assess the accuracy of the identification and classification of areas cultivated with plantation forests for energy, inside TM Landsat 5 images. Using statistical techniques for data mining, this study also evaluated the use of a broad set of attributes to identify improvements in the classification results. The research focused on samples of planted areas in the state of Tocantins, Northern Brazil. The data mining techniques used were effective in identifying of planted forests in Landsat 5 satellite images, both the classification performance, such as by reducing the amount of information needed to solve this kind of problem. Thus, the techniques employed in this study enable the development of robust classification models to aid in the planning and decision making on forest plantations in Brazil.

O objetivo do presente trabalho foi desenvolver um processo semi-automático para identificação de Membros de Referência (MR) em imagens hiperespectrais. O processo faz inicialmente a triagem das amostras espectrais gerando um conjunto de amostras candidatas a MR. A triagem consiste em: determinar uma vizinhança espacialmente uniforme em torno da amostra espectral, rejeitar amostras cujos espectros na vizinhança uniforme não são homogêneos, rejeitar amostras que não formam um contexto uniforme e homogêneo com outras amostras e rejeitar amostras redundantes. As amostras espectrais candidatas a MR, consideradas uniformes, homogêneas, pertencentes a um contexto e pouco redundantes, são submetidas a um processo de busca dos MR, que utiliza o conceito de entropia, proposto neste trabalho, como medida de similaridade espectral, em conjunto com a Distância Euclidiana e a medida de Coerência entre os espectros. Propõe-se ainda dois limitantes superiores para o número máximo de MR presentes em uma imagem hiperespectral, utilizando-se o conceito de amostras espectrais bem configuradas e um valor de entropia mínima permissível, entre amostras. Foi implementado com o aplicativo computacional IDL um processador que realiza todas as funções propostas. Os métodos apresentados são testados, com êxito, em imagens hiperespectrais do sensor aerotransportado AVIRIS (Airborne Visible Infrared Imaging Spectrometer) do JPL.

No trabalho descreve-se a formação de imagens de um Radar de Abertura Sintética (SAR) e o conceito de imagem SAR polarimétrica. Avaliam-se as medidas de Entropia, Anisotropia, Ângulos Alfa e Beta calculados a partir de diferentes formas de representação do vetor de espalhamento, obtidos a partir da matriz de espalhamento dos alvos. Propõe-se a medida da Sub-Entropia como alternativa da medida de Anisotropia, que pode ser utilizada isoladamente ou em conjunto com a Anisotropia. O uso da Sub-Entropia em conjunto com a Anisotropia propicia um melhor realce no processo de análise de mecanismos espalhadores secundários presentes nas imagens SAR polarimétricas. Utiliza-se na avaliação do trabalho realizado imagens polarimétricas SAR, na Banda L, do sensor ESAR do Instituto de Microondas e Radar do Centro Alemão de Pesquisa Aeroespacial (DLR).

Unmanned aerial vehicles, known as UAVs, have evolved over the past two decades to sophisticated aircraft robots able to carry out surveillance, recognition, remote sensing and even attack missions. But there are not many alternatives of autonomous navigation systems for most of these aircraft which still require human intervention to navigate. Devices such as Global Positioning System (GPS) and inertial systems help calculate routes and locate the vehicle on a map among other possibilities, but do not offer solutions to unknown or uncertain circumstances. On the other hand, computer vision techniques have provided many possible applications for intelligent systems such as object recognition, robot localization and reconstruction of 3D maps. This paper explores the use of computer vision and pattern recognition techniques for UAV navigation, and proposes a set of visual features based on color and gradients orientation for image classification. To validate the proposed approach, a system was developed to evaluate the classification and matching of aerial images. The results achieve more than 95% of accuracy and confirm the viability of the selected algorithms and methods for the problem.

A série de satélites CBERS é o resultado da cooperação entre o Brasil e China. As imagens CBERS são distribuídas gratuitamente mas para que seja possível utilizá-las, é necessário aplicar um método de correção geométrica de forma manual ou assistida. Somente após a correção existe correspondência entre as posições de pontos das imagens e as posições dos respectivos objetos na superfície da Terra. A partir de um método automático de correção, que usa como referência amostras de imagens previamente corrigidas, é proposta uma forma de aperfeiçoamento pela seleção automática das amostras de referência. São usadas técnicas de classificação e diferentes conjuntos de atributos radiométricos extraídos das imagens. Pelo estudo do comportamento de diferentes modelos de classificação foi possível definir qual o modelo que seleciona de forma ótima as melhores amostras. Para demonstrar a eficácia e o ganho de desempenho o método de correção proposto é aplicado em um conjunto de imagens CBERS usando as amostras de imagens selecionadas automaticamente.

Made available in DSpace on 2017-07-21T14:19:42Z (GMT). No. of bitstreams: 1 Luiz Gustavo Barros.pdf: 2755823 bytes, checksum: bca8719768cf3309de85ec488ed781ee (MD5) Previous issue date: 2013-08-22 / Images acquired in the field with ordinary cameras, tend to have a lower quality compared with those obtained in the laboratory, including noise and unclear areas. This paper proposes a methodology for the analysis of sharpness in wood images of wood to analyze its impact on their classification. To evaluate this proposal, a database of wood images was used and each sample has extracted its color and texture characteristics using uniform local binary pattern and RGB color model methods, respectively. The Tenengrad method was used to evaluate the image sharpness and then the images were classified as high or low sharpness. Scenarios were developed to test the impact of the analysis of sharpness and check how it contributes to the hit rate. / Imagens adquiridas em campo, com câmeras comuns, tendem a possuir uma qualidade inferior se comparadas com as adquiridas em laboratório, incluindo ruídos e áreas pouco nítidas. Partindo dessa premissa, nesse trabalho foi proposta uma metodologia para a análise de nitidez em imagens de madeira para analisar seu impacto na classificação das mesmas. Para avaliar essa proposta, foi utilizada uma base de dados de imagens de madeira e extraídas características de cor e textura através dos métodos LBP Uniforme e RGB, respectivamente. O método Tenengrad foi utilizado para avaliar a nitidez das imagens e através dele as imagens foram classificadas alta e baixa nitidez. Foram elaborados cenários para testar o impacto da análise de nitidez e verificar de que forma a mesma contribui com a taxa de acerto.

O crescimento descontrolado ocorrido nas atuais metrópoles de países em desenvolvimento requer intensos mapeamentos para a atualização da base de dados geográfica. O intenso processo de urbanização vivido na cidade de São Paulo desde os anos 70 ilustra bem esse cenário. Apesar de existirem levantamentos aéreos e, mais recentemente, imagens de satélite com alta resolução espacial, a necessidade de informações geográficas precisas, rápidas e menos onerosas é, mais do que nunca, um fato. Nesse sentido, a classificação automatizada de imagens de alta resolução espacial tem demonstrado resultados insatisfatórios ao utilizar classificadores pixel a pixel, em especial para áreas urbanas. O crescente sucesso da classificação de imagens baseada em objetos tem estimulado pesquisadores a criar novos meios de superar a limitação das tradicionais técnicas de classificação de imagens. A idéia central da classificação de imagens orientada a objetos é extrair objetos primitivos a partir das imagens e utilizar suas informações para a composição de regras e estratégias a serem aplicadas no processo classificatório. Além da análise espectral, a classificação de imagens baseada em objetos permite envolver análises geométricas e contextuais. Este trabalho reporta o uso da classificação baseada em objetos para detecção da malha viária, aplicado na periferia urbana da cidade de São Paulo. Áreas de ocupação irregular compõem a maior parte da área selecionada para o estudo, sendo que a malha viária reflete bem o padrão de ocupação não planejada dessa região. As ruas são em geral geometricamente irregulares e com diferentes tipos de pavimentação. Detectar a malha viária com base nessas características foi o desafio maior deste trabalho, que teve, como hipótese, a viabilidade do emprego da classificação orientada a objetos para essa finalidade. A metodologia apresentada utiliza uma imagem multiespectral do satélite IKONOS II. Como primeiros passos, processou-se a segmentação e calcularam-se as componentes principais. Classes auxiliares como áreas impermeabilizadas e áreas de solo exposto foram computadas utilizando funções apropriadas. Em suma, a partir das informações geométricas dos objetos, como largura, comprimento, coeficiente de assimetria, área, entre outros, alguns objetos foram selecionados como representantes da malha viária, e então analisados perante a informação contextual, para que fossem classificados como vias pavimentadas e vias não pavimentadas. Os resultados foram analisados mediante três diferentes métodos: 1) inspeção visual, na qual foi analisada qualitativamente a aderência entre as vias extraídas e as vias reais; 2) acurácia da classificação, através de comparações entre a malha viária detectada e a de referência, que forneceu parâmetros estatísticos de qualidade da classificação, como os erros de comissão e omissão ; 3) análise linear comparativa, a qual forneceu parâmetros como integridade (ou completeza) e precisão da malha viária detectada utilizando linhas referenciais e linhas extraídas dos polígonos das vias detectadas, obtidos por morfologia matemática. Considerando o alto grau de heterogeneidade das feições presentes na área de estudo, a acurácia geral alcançada foi boa. Embora a metodologia não tenha produzido um mapa viário, no sentido próprio da palavra, o uso combinado de imagens multispectrais de alta resolução espacial e da classificação baseada em objetos mostrou que a metodologia pode ser utilizada para minerar dados relativos a malha viária e produzir informações significantes para auxiliar a tomada de decisões. / Uncontrolled sprawl occurring in large cities of developing countries requires intensive mapping efforts to update geodatabases. The intense urbanization process experienced since the 70\'s in Sao Paulo city illustrates very well the reported scenario. Despite aerial data and, more recent, high spatial resolution satellite data which have been employed as basis for mapping, the need for precise, faster and cheaper mapping efforts is real. In this sense, automated classification of high resolution imagery has demonstrated unsatisfactory results when traditional per-pixel classifiers are used, especially for urban areas. The increasing success of object-based classification has stimulated researchers to create new methodologies to overcome this shortcoming of traditional approaches. The object-based image classification\'s idea is extract object-primitives from images and then use their information to compose rules and strategies to be applied on the classification process. Beyond the spectral analysis, geometric, and contextual analysis are also addressed on object-based classification. This work reports the use of object-based image classification applied on road detection over the suburban area of Sao Paulo city. Informal settlements compose the most part of the study area and the transportation network reflects the unplanned occupation. Roads are geometrically irregular and with different kind of pavements. Detecting roads based on these characteristics was the biggest challenge faced here, and this work hypothesizes object-based classification can be used to. The methodology presented employs an IKONOS II data. At first, principal components and segmentation were computed and then auxiliary data for impervious surface and bare soil areas were previously calculated from customized features. In short, based on geometric information as width, length, asymmetry, area, and more, objects were elected as road and then analyzed through contextual information as paved road or unpaved road. Results were analyzed under three different ways: 1) visual inspection, where the adherence between extracted road and real ones provided a good indicator for qualitative analysis ; 2) classification accuracy, by comparing detected road areas and referential ones, which provided statistical parameters for quality as omission and commission error ; 3) linear comparative analysis, which provided parameters as correctness and completeness using referential lines and lines arose from extracted areas based on mathematical morphology tools. Regarding the high degree of heterogeneity of features present on study area, the overall accuracy reached is good. Despite the methodology did not produce a road map, the results shown the combined use of high resolution multi-spectral imagery and object-based classification can effectively mine road features, producing significant information to support decision makers.

Cada imagem pode ser representada como uma combinação de diversas características, como por exemplo o histograma de intensidades de cor ou propriedades de textura da imagem. Essas características compõem um vetor multidimensional que representa a imagem. É comum esse vetor ser dado como entrada para um método de classificação de padrões que, após aprender por meio de diversos exemplos, pode gerar um modelo de decisão. Estudos sugerem evidências de que a preparação das imagens-- por meio da especificação cuidadosa da aquisição, pré-processamento e segmentação-- pode impactar significativamente a classificação. Além da falta de tratamento das imagens antes da extração de características, o desbalanceamento de classes também se apresenta como um obstáculo para que a classificação seja satisfatória. Imagens possuem características que podem ser exploradas para melhorar a descrição dos objetos de interesse e, portanto, sua classificação. Entre as possibilidades de melhorias estão: a redução do número de intensidades das imagens antes da extração de características ao invés de métodos de quantização no vetor já extraído; e a geração de imagens a partir das originais, de forma a promover o balanceamento de bases de dados cujo número de exemplos de cada classe é desbalanceado. Portanto, a proposta desta dissertação é melhorar a classificação de imagens utilizando métodos de processamento de imagens antes da extração de características. Especificamente, busca analisar a influência do balanceamento de bases de dados e da quantização na classificação. Este estudo analisa ainda a visualização do espaço de características após os métodos de geração artificial de imagens e de interpolação das características extraídas das imagens originais (SMOTE), comparando como espaço original. A ênfase dessa visualização se dá na observação da importância do rebalanceamento das classes. Os resultados obtidos indicam que a quantização simplifica as imagens antes da extração de características e posterior redução de dimensionalidade, produzindo vetores mais compactos; e que o rebalanceamento de classes de imagens através da geração de imagens artificiais pode melhorar a classificação da base de imagens, em relação à classificação original e ao uso de métodos no espaço de características já extraídas. / Each image can be represented by a combination of several features like color frequency and texture properties. Those features compose a multidimensional vector, which represents the original image. Commonly this vector is given as an input to a classification method that can learn from examplesand build a decision model. The literature suggests that image preparation steps like acute acquisition, preprocessing and segmentation can positively impact such classification. Besides that, class unbalancing is also a barrier to achieve good classification accuracy. Some features and methods can be explored to improveobjects\' description, thus their classification. Possible suggestions include: reducing colors number before feature extraction instead of applying quantization methods to raw vectors already extracted; and generating synthetic images from original ones, to balance the number of samples in an uneven data set. We propose to improve image classification using image processing methods before feature extraction. Specifically we want to analyze the influence of both balancing and quantization methods while applied to datasets in a classification routine. This research also analyses the visualization of feature space after the artificial image generation and feature interpolation (SMOTE), against to original space. Such visualization is used because it allows us to know how important is the rebalacing method. The results show that quantization simplifies imagesby producing compacted vectors before feature extraction and dimensionality reduction; and that using artificial generation to rebalance image datasets can improve classification, when compared to the original one and to applying methods on the already extracted feature vectors.

Made available in DSpace on 2015-03-26T13:53:16Z (GMT). No. of bitstreams: 1 texto completo.pdf: 2076422 bytes, checksum: 848e731a5bb4cc826cf7c41614e4a0c5 (MD5) Previous issue date: 2010-02-23 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This study evaluated the potential of automatic classifiers, and methodology of the classification of the resident community in the basin to use mapping and land cover under agroecological management. The study area is the São Joaquim River Basin in the municipality of Araponga, Zona da Mata mineira. In the method, at first, was held to a field trip where they were collected ground control points to georeference image IKONOS II and the training samples and validation of the use classes and soil covered by GPS. In the laboratory, supervised classifications were performed by automatic algorithms Maximum Likelihood, Neural Networks and Bhattacharya.For each algorithm, two ratings were made 17 and 14 classes. A use classification and land cover was done by the residents of the basin where the classes were identified for use and land cover. The classified images were taken to the laboratory and turned into digital format. The results show that among the automatic classifiers, the Bhattachaya shows better result, Kappa 0.76, very good result for classification of the area. Already Kappa image classified by the community was 0.55, considered good result according to the literature. These results demonstrate that the algorithm Batacharya is the most efficient for the mapping and it is possible that the local community to interpret the environment in which to live and perform with autonomy mappings to map future strategies. Therefore, thefindings of this study in addition to being useful for future planning of action research in the basin under study, will serve as universal knowledge for classification of land use in other areas of agroecological management. / Este trabalho objetivou avaliar o potencial de classificadores automáticos e da metodologia empregada na classificação da comunidade residente na bacia para mapeamento do uso e cobertura do solo sob manejo agroecológico. A área de estudo é a Bacia do Rio São Joaquim, no município de Araponga, Zona da Mata mineira. Na metodologia, no primeiro momento, foi realizada a ida a campo onde foram coletados os Pontos de Controle Terrestre para georreferenciar imagem IKONOS II e as amostras de treinamento e validação das classes de uso e cobertura do solo através de GPS. Em laboratório, foram realizadas classificações supervisionadas automáticas pelos algoritmos da Máxima Verossimilhança, Redes Neurais Artificiais e Bhattacharya. Para cada algoritmo, foram feitas duas classificações, 17 e 14 classes. Uma classificação do uso e cobertura do solo foirealizada pelos moradores da bacia onde foram identificadas as classes de uso e cobertura do solo. As imagens classificadas foram levadas ao laboratório e transformadas em formato digital. Os resultados demonstram que dentre os classificadores automáticos, o Bhattachaya apresentou melhor resultado, Kappa 0,76, resultado muito bom para classificação da área em questão. Já o Kappa da imagem classificada pela comunidade foi de 0,55, resultado considerado bom de acordo com a literatura. Estes resultados demonstram que o algoritimo Bhatacharya é o mais eficiente para o mapeamento e que é possível que a comunidade local interprete o meio em que vive e possa realizar com autonomia mapeamentos para traçar estratégias futuras. Sendo assim, os resultados encontrados nesta pesquisa além de serem úteis para futuros planejamentos de pesquisa-ação na bacia hidrográfica em estudo, servirão como conhecimento universal para classificação do uso do solo em outras áreas com manejo agroecólogico.