Submitted by Alice Araujo (alice.caraujo@ufpe.br) on 2018-05-07T19:53:49Z
No. of bitstreams: 1
DISSERTAÇÃO Jodavid de Araújo Ferreira.pdf: 4344935 bytes, checksum: 01a1f82d6b0d50e3c9f8198b69f83869 (MD5) / Made available in DSpace on 2018-05-07T19:53:49Z (GMT). No. of bitstreams: 1
DISSERTAÇÃO Jodavid de Araújo Ferreira.pdf: 4344935 bytes, checksum: 01a1f82d6b0d50e3c9f8198b69f83869 (MD5)
Previous issue date: 2017-02-17 / FACEPE / Dentre as técnicas de sensoriamento remoto, o sistema de radar de abertura sintética polarimétrico (Polarimetric Synthetic Aperture Radar-PolSAR) tem assumido uma posição de destaque. Isto se deve a capacidade do PolSAR em (i) operar em várias condições atmosféricas (na ausência de luz, tempo nublado, entre outros), (ii) produzir imagens em alta resolução espacial e (iii) fornecer informações sobre uma cena na perspectiva de vários canais de polarização. Entretanto dados de imagens PolSAR são fortemente contaminados por um ruído multidimensional (chamado de ruído speckle), o que dificulta sua modelagem e processamento. Em particular, pesquisas indicam que o uso dos clas-sificadores clássicos (tais como, análise discriminante linear-LDA, análise discriminante quadrática-QDA, K vizinhos mais próximos-KNN e máquina de vetores de suporte-SVM) comumente resultam em desempenhos insuficientes, o que motiva a proposta de classi-ficadores adaptados à natureza de dados PolSAR. Neste trabalho, objetiva-se construir uma coleção de classificadores para dados PolSAR com base em distâncias e divergências entre medidas de probabilidade para vetores e matrizes aleatórios. São considerados os modelos vetoriais normal, skew-normal, t-Student e skew-t e a distribuição matricial Wishart complexa escalonada (WCE). Utilizando as divergências/distâncias de Rényi, Kullback-Leibler e Jeffreys combinadas aos modelos vetoriais e matricial na elaboração de classificadores para dados de intensidade SAR multivariados e “full PolSAR” (matricial hermitiano), são propostos quatorze classificadores. Em particular, oito deles são classes de classificadores incorporadas a um processo de otimização para um parâmetro de flexibilidade (induzido da ordem da divergência de Rényi). Através de um estudo de simulação Monte Carlo, a performance dos métodos propostos é quantificada e comparada com outras obtidas pela distância de Kullback-Leibler para a distribuição normal multivariada e pelos métodos LDA, QDA, KNN e SVM. Para este fim, imagens sintéticas foram simuladas obedecendo à física de formação de imagens PolSAR. O classificador com base na divergência otimizada de Rényi para a lei WCE pode superar os demais. Finalmente, experimentos com dados reais extraídos de duas imagens PolSAR são realizados. Resultados apresentam evidências em favor dos classificadores ótimos com base na divergência de Rényi para a imagem de São Francisco com base no sensor AIRSAR (Radar de Abertura Sintética Airborne) e do classificador baseado na divergência Kullback-Leibler para a distribuição t-Student multivariada para a imagem de Foulum com base no sensor EMISAR (Electromagnetics Institute SAR). / Among the remote sensing techniques, the PolSAR (Polarimetric Synthetic Aperture Radar) system has received a prominent position. This is due to its capability in (i) operating in various weather conditions (in the light absence, cloudy scenarios, among others), (ii) producing images at high spatial resolution, and (iii) providing information on a scene from polarization channels. However, data obtained from PolSAR images are strongly contaminated by a multidimensional interference pattern (called speckle noise) and this effect hampers their modelling and processing. In particular, works have indicated the use of classic classifiers (Linear Discriminant Analysis-LDA, Quadratic Discriminant Analysis- QDA, k-Nearest Neighbour-KNN and Support Vector Machine-SVM) commonly result in bad performance, which motivates the proposal of classifiers tailored to the nature of PolSAR data. This study aims to furnish a collection of classifiers for PolSAR data based on distances and divergences between probability measures for random vectors and matrices. We consider normal, skew-normal, t-Student, skew-t vector models and the scaled complex Wishart (SCW) distribution as like probabilistic assumptions. Using the Rényi, Kullback-Leibler, and Jeffreys divergences/distances combined with the adopted vector and matrix models, we propose fourteen classifiers. In particular, eight of them are classes of classifiers equipped by an optimization procedure for the flexibility parameter (induced from the Rényi divergence order). Through a Monte Carlo simulation study, the performance of proposed methods is quantified and compared with those obtained by the Kullback-Leibler distance for multivariate normal distribution and by LDA, QDA, KNN and SVM methods. To that end, synthetic images are generated obeying the physics of PolSAR image formation. The classifier based on the optimized Rényi divergence for the SCW model may outperform all considered alternatives for synthetic data. Finally, experiments with real data from PolSAR images are considered. Results provide evidence in favor of optimal classifiers based on the Rényi divergence for the image of San Francisco based on the sensor AIRSAR (Airborne Synthetic Aperture Radar) and of the classifier in terms of the Kullback-Leibler divergence for the multivariate t-Student distribution for the image of Foulum based on the sensor EMISAR (Electromagnetics Institute SAR).
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/24571 |
| Date | 17 February 2017 |
| Creators | FERREIRA, Jodavid de Araújo |
| Contributors | http://lattes.cnpq.br/9853084384672692, NASCIMENTO, Abraão David Costa do |
| Publisher | Universidade Federal de Pernambuco, Programa de Pos Graduacao em Estatistica, UFPE, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Breton |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0027 seconds