Classificação de imagens SAR polarimétricas multi-look utilizando os modelos de mistura de distribuições com aprendizado semi-supervisionado e inferência bayesiana

• Processo: 09/14270-4
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de janeiro de 2010
• Data de Término da vigência: 31 de dezembro de 2012
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Nelson Delfino d'Ávila Mascarenhas
• Beneficiário: Michelle Matos Horta Tenca
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Inferência bayesiana Aprendizado semissupervisionado Classificação de imagens Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Algoritmo SEM | Aprendizado Semi-supervisionado | Classificação de Imagens | Imagens PolSAR multi-look | Inferência Bayesiana | mistura de distribuições | Reconhecimento de Padrões

Resumo

Os proponentes deste projeto desenvolveram um método de aprendizado não supervisionado que aplica os modelos de mistura de distribuições à classificação (ou segmentação) de imagens SAR polarimétricas (PolSAR) multi-look. Dentro deste contexto, utilizou-se o algoritmo SEM em conjunto com os estimadores obtidos pelo método dos momentos para calcular as estimativas dos parâmetros do modelo de mistura de distribuições Wishart, KP ou G0P . Com os resultados, verificou-se que o método SEM proposto é viável e efetivo ao aprendizado não supervisionado de imagens PolSAR multi-look. Esta pesquisa inicial torna-se um ponto de partida a novas pesquisas com imagens PolSAR multi-look, pois o método proposto é flexível a modelos de mistura com famílias diversificadas, como as três famílias analisadas. No método SEM proposto, três pontos importantes não foram investigados: (1) o aprendizado semi-supervisionado, utilizando tanto as amostras de treinamento quanto os dados não rotulados, para analisar se há melhorias na convergência do classificador com o acréscimo das amostras de treinamento; (2) a inferência Bayesiana com a análise contextual, em que se analisará a influência da dependência espacial na aplicação proposta; (3) a inferência Bayesiana considerando os parâmetros como variáveis aleatórias, em que se analisará a viabilidade de se incluir densidades de probabilidade a priori dos parâmetros do modelo, assim como a sua influência na classificação. O objetivo desta monografia é apresentar um projeto de pós-doutorado para a investigação destes três pontos explicitados.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

HORTA, MICHELLE M.; MASCARENHAS, NELSON D. A.; SPORTOUCHE, H.; SEICHEPINE, N.; TUPIN, F.; NICOLAS, J. -M.; IEEE. CHANGE DETECTION IN MULTITEMPORAL HR SAR IMAGES: A HYPOTHESIS TEST-BASED APPROACH. 2012 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS), v. N/A, p. 4-pg., 2012-01-01. (09/14270-4)