Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/12130
Título: Sistema de classificação de imagens de sensores remotos
Título(s) alternativo(s): System of classification of sensors remote images
Autor : Boell, Miler Grudtner
Primeiro orientador: Ferreira, Danton Diego
Primeiro coorientador: Alves, Helena Maria Ramos
Primeiro membro da banca: Lacerda, Wilian Soares
Segundo membro da banca: Volpato, Margarete Marin Lordelo
Terceiro membro da banca: Alves, Helena Maria Ramos
Quarto membro da banca: Vitor, Giovani Bernardes
Palavras-chave: Café – Imagens de sensoriamento remoto
Sensoriamento remoto – Análise
Coffee – Remote-sensing images
Remote sensing – Analysis
Data da publicação: 10-Jan-2017
Agência(s) de fomento: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Referência: BOELL, M. G. Sistema de classificação de imagens de sensores remotos. 2016. 91 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação)-Universidade Federal de Lavras, Lavras, 2016.
Resumo: A classificação de imagens multiespectrais, derivada de sensores de satélite, é um objetivo desejado pela comunidade científica para identificação de áreas em imagens multiespectrais. O grande interesse é na identificação de várias áreas, incluindo a produção de café. O café se destaca por ser uma importante fonte de renda e de emprego, bem como sendo um dos mais importantes produtos para a economia do Brasil. No entanto, mapear automaticamente essa cultura tem sido um desafio tanto em análise orientada a objeto quanto "pixel a pixel". O objetivo deste trabalho consiste no uso de diferentes métodos de seletores de parâmetros a fim de identificar os melhores parâmetros para a classificação. A imagem de satélite, utilizada neste estudo, refere-se à região de Três Pontas-Minas Gerais (MG), Brasil, que tem uma forte produção agrícola, sobretudo, do café. As imagens escolhidas foram usadas em todas as sete bandas espectrais do Landsat 8-OLI (Operacional Land Imager). Na metodologia proposta foram selecionadas 5 classes de uso: café, mata, água, área urbana, outros usos (pastagem, solo exposto, outras culturas, eucalipto). Várias características espectrais e texturas, para as classificações, foram combinadas. Também foi testado o desempenho de características, com base em estatísticas de ordem superior (EOS), combinadas com aqueles comumente utilizados na literatura para esta finalidade. Sete bandas espectrais do satélite Landsat 8 foram exploradas. Dois métodos de seleção de redução de dimensão: Discriminante Linear de Fisher (DLF) e a correlação linear. Os resultados mostraram que as performances, para ambos os classificadores, RNA e SVM, foram semelhantes. Os melhores índices de kappa obtidos foram 73.13% para RNA, alimentada por todas as características extraídas e 74,37% com o SVM por meio apenas dos pixels das 7 bandas como entrada. Os resultados foram comparados com os métodos atuais da literatura e com dois softwares comerciais.
Abstract: The classification multispectral image derived from satellite sensors is an objective desired by the scientific community for identifying areas in multispectral images. The wide interest is in the identification of many areas, including coffee production. Coffee is highlighted as an important source of income and employment, as well as one of the most important products Brazilian economy . However, automatically mapping this culture has been a challenge both for object-oriented and for ”pixel to pixel” analyses. The objective of this work consists in the use of different parameters selecting methods, in order to identify the best parameters for the classification. The satellite image used in this study concerns the region of Três Pontas-Minas Gerais (MG), Brazil, which presents a strong agricultural production, especially of coffee. The chosen images were used in all seven spectral bands of the Landsat 8-OLI (Operational Land Imager). In the proposed methodology, we selected 5 classes of use: coffee, forest, water, urban area, other uses (pasture, exposed soil, other cultures, eucalypt). Many spectral traits and textures were combined for the classification. Trait performance based on higher order statistics (HOS) were also tested in combination with those commonly used in the literature for this end. Seven spectral bands of Landsat 8 satellite were explored. Two selection methods of dimension reduction were used: Fisher Discriminant Ratio (FDR) and linear correlation. The results showed that performances for both classifiers, ANN and SVM, were similar . The best kappa indexes obtained were 73.13% for ANN, fed by all traits extracted, and of 74.37% for SVM, by the pixels of the seven bands as input. The results were compared with the methods currently found in literature and with the commercial software.
URI: http://repositorio.ufla.br/jspui/handle/1/12130
Publicador: Universidade Federal de Lavras
Idioma: por
Aparece nas coleções:DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTAÇÃO_Sistema de classificação de imagens de sensores remotos.pdf3,4 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.