Classificação supervisionada de imagens SAR via redes neurais artificiais.

• Ano de defesa: 2003
• Autor(a) principal: Alexsandro Machado Jacob
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Tecnológico de Aeronáutica
• Palavras-chave em Português: Processamento de imagens; Radar de abertura sintética; Redes neurais; Classificações; Avaliação de desempenho; Modelos matemáticos; Filtragem; Inteligência artificial; Engenharia eletrônica
• Link de acesso: http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2689

O presente trabalho visa investigar o desempenho e a aplicabilidade de classificadores supervisionados neurais em imagens digitais provenientes de sistemas SAR. Os classificadores neurais desenvolvidos são redes feedforward com múltiplas camadas cujo treinamento foi realizado mediante o algoritmo back-propagation para funções de aprendizado baseadas em hipóteses distintas: o erro modificado de Fisher e o erro de Minkowski-r. O modelo baseado no erro modificado de Fisher forneceu um novo método de treinamento e conseqüente atualização dos pesos sinápticos da rede, além de um novo processo de atribuição de classes. A topologia da rede emprega o conceito de classificação de pixels envoltos por regiões de extração de informações, ou máscaras de extração de características, que se comportam como filtros sub-ótimos aprendidos com o objetivo de suavizar o efeito do ruído speckle da imagem SAR.Uma comparação sistemática do desempenho analisando-se os elementos constituintes dos classificadores neurais, tais como quantidade de camadas na rede e número de neurônios em cada camada, modificações nos parâmetros da função utilizada no processo de treinamento, e alterações no tamanho do vetor de características provenientes da imagem e na quantidade de amostras de treinamento apresentadas à rede foram realizadas. Os resultados foram obtidos a partir de uma imagem SAR real com ao menos quatro classes constituintes e uma outra simulada com somente duas, e comparados ao desempenho do classificador estatístico baseado na distância de Kullback-Leibler através do coeficiente de concordância Kappa. De um modo geral, o desempenho dos classificadores neurais mostrou-se comparável ou ligeiramente melhor ao do estatístico. Contudo resultados ainda melhores foram obtidos com a filtragem da mediana do mapa temático de classificação. O classificador de Minkowski-r=1,1 mostrou-se mais eficiente que as outras funções de aprendizado quanto ao menor tamanho da máscara de extração de características e à quantidade de amostras de treinamento.