RAMALHO, G. L. B. Deteção de manchas de óleo em imagens SAR através da combinação de características e de classificadores. 2007. 100 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2007. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2016-04-04T14:47:08Z
No. of bitstreams: 1
2007_dis_glbramalho.pdf: 6245692 bytes, checksum: c40029d4e31b6cafe7ad3943452a4997 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2016-04-06T17:47:42Z (GMT) No. of bitstreams: 1
2007_dis_glbramalho.pdf: 6245692 bytes, checksum: c40029d4e31b6cafe7ad3943452a4997 (MD5) / Made available in DSpace on 2016-04-06T17:47:42Z (GMT). No. of bitstreams: 1
2007_dis_glbramalho.pdf: 6245692 bytes, checksum: c40029d4e31b6cafe7ad3943452a4997 (MD5)
Previous issue date: 2007-12-14 / Mapping ocean oil pollution by using Synthetic Aperture Radar (SAR) images is an important area of interest for environmental surveillance. One can make use of the SAR images to extract features by using different methods in order to predict if a specific region contains an oil spill or not using Artificial Neural Networks (ANN). A major problem in this approach is the number of false alarms due to misclassification. Oil spills are rare events and the number of available images containing spills is atistically small which is a limitation for the classifier performance. This work proposes the use of multiple feature sets and classifier combining methods to minimize the number of false alarms and thus, reduce the operational costs of automatic oil spill detection systems. The SAR images used in this work are not limited to a specific imaging system and different feature sets based on geometry and texture of the spills were tested. The generalization performances of classifier combination methods as boosting and bagging were compared with those resulting from single classifiers as Multilayer Perceptron (MLP) and Support Vector Machines (SVM). The experimental results suggest that oil spill characterization can be significantly improved using boosting even when few image samples are available and the feature sets have high dimensionality. / O mapeamento da poluição de óleo no mar utilizando imagens de Radar de Abertura Sintética (SAR, do inglês Synthetic Aperture Radar) é uma importante área de interesse na área da vigilância ambiental. Pode-se utilizar imagens SAR para extrair características através de diferentes métodos com o objetivo de predizer através de Redes Neurais Artificiais (RNAs) se uma região específica contém ou não uma mancha de óleo. O principal problema dessa abordagem é a ocorrência de excessivos alarmes falsos decorrentes de erros de classificação. Manchas de óleo são eventos raros e a pequena disponibilidade de imagens contendo manchas é um fator limitante do desempenho dos classificadores. Este trabalho propõe a utilização de múltiplos conjuntos de características e métodos de combinação de classificadores para minimizar o número de alarmes falsos a fim de possibilitar a redução de custos operacionais de sistemas automáticos de deteção de manchas de óleo. As imagens SAR utilizadas neste trabalho não estão limitadas a um único sistema de imageamento e diferentes conjuntos de características baseados na geometria e textura das manchas foram testados. Os desempenhos de generalização de métodos de combinação de classificadores, como boosting e bagging, foram comparados com aqueles obtidos com classificadores individuais, como Perceptron Multi-Camadas (MLP, do inglês Multi-Layer Perceptron) e Máquina de Vetor de Suporte (SVM, do inglês Support Vector Machine). Os resultados experimentais sugerem que a caracterização das manchas de óleo pode ser significativamente melhorada através do uso do boosting,mesmo quando poucas imagens amostrais estão disponíveis.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/16123 |
| Date | 14 December 2007 |
| Creators | Ramalho, Geraldo Luis Bezerra |
| Contributors | Medeiros, Fátima Nelsizeuma Sombra de |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds