Redução de dimensionalidade baseado na codificação binária para dados hiperespectrais aviris

Resumo: Os sensores hiperespectrais fornecem informações em centenas de bandas espectrais que permitem distinguir diferentes classes ou objetos com mais detalhes. Na classificação supervisionada das imagens, obtidas a partir dessas informações, o número de amostras de treinamento disponíveis é limitado frente ao número de bandas espectrais disponíveis. Assim, a redução de dimensionalidade é um passo importante antes da classificação deste tipo de dados. A abordagem desenvolvida neste trabalho para reduzir a dimensionalidade de dados hiperespectrais AVIRIS é a codificação binária. Esta codificação cria uma representação de bandas espectrais que facilita a identificação de classes mediante o estabelecimento de regiões espectrais vizinhas que armazenam uma quantidade de respostas espectrais referidas às classes de cobertura da terra. Para tanto, foram realizados vários experimentos que permitiram a avaliação desta abordagem com fins da classificação da cobertura da terra. As alternativas usadas na codificação binária foram aplicadas para um determinado número de regiões espectrais. Cada alternativa foi testada para um código binário, utilizando-se tanto um limiar, como três limiares. Após a redução de dimensionalidade realizou-se a análise da separabilidade das classes mediante a divergência transformada. Em seguida, realizou-se a classificação temática dos dados hiperespectrais com dimensão reduzida. A técnica utilizada para a classificação foi de máxima verossimilhança. Para a avaliação da acurácia da classificação foram utilizadas as matrizes de confusão, coeficiente kappa e estimativa global para as amostras de verificação. Os resultados mostraram que a utilização da codificação binária baseada em três limiares, por regiões espectrais, com porcentual do limiar de um sexto e modificado, permitem o mapeamento temático dos dados hiperespectrais com dimensão reduzida, de modo mais eficiente que a utilização de um limiar. Neste contexto, a metodologia proposta para a redução de dimensionalidade em dados hiperespectrais mostrou-se promissora, pois este método de extração de atributos é uma abordagem que reduz a complexidade computacional e melhora o desempenho da análise de dados.

Author dc:creator

• Jijón-Palma, Mario Ernesto

Advisor dc:contributor.advisor

• Machado, Álvaro Muriel Lima, 1951-

• Processamento de imagens
• Geodésia
• Teoria da dimensão (Topologia)
• Sensoriamento remoto

Language dc:language

Português

Handle dc:identifier.uri

https://hdl.handle.net/1884/55189

OAI identifier oai:identifier

oai:acervodigital.ufpr.br:1884/55189