ClassificaÃÃo supervisionada de imagens SAR via redes neurais artificiais.

AUTOR(ES)
DATA DE PUBLICAÇÃO

2003

RESUMO

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 mÃltiplas camadas cujo treinamento foi realizado mediante o algoritmo back-propagation para funÃÃes de aprendizado baseadas em hipÃteses distintas: o erro modificado de Fisher e o erro de Minkowski-r. O modelo baseado no erro modificado de Fisher forneceu um novo mÃtodo de treinamento e conseqÃente atualizaÃÃo dos pesos sinÃpticos da rede, alÃm de um novo processo de atribuiÃÃo de classes. A topologia da rede emprega o conceito de classificaÃÃo de pixels envoltos por regiÃes de extraÃÃo de informaÃÃes, ou mÃscaras de extraÃÃo de caracterÃsticas, que se comportam como filtros sub-Ãtimos aprendidos com o objetivo de suavizar o efeito do ruÃdo speckle da imagem SAR.Uma comparaÃÃo sistemÃtica do desempenho analisando-se os elementos constituintes dos classificadores neurais, tais como quantidade de camadas na rede e nÃmero de neurÃnios em cada camada, modificaÃÃes nos parÃmetros da funÃÃo utilizada no processo de treinamento, e alteraÃÃes no tamanho do vetor de caracterÃsticas 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 estatÃstico baseado na distÃncia de Kullback-Leibler atravÃs do coeficiente de concordÃncia Kappa. De um modo geral, o desempenho dos classificadores neurais mostrou-se comparÃvel ou ligeiramente melhor ao do estatÃstico. Contudo resultados ainda melhores foram obtidos com a filtragem da mediana do mapa temÃtico de classificaÃÃo. O classificador de Minkowski-r=1,1 mostrou-se mais eficiente que as outras funÃÃes de aprendizado quanto ao menor tamanho da mÃscara de extraÃÃo de caracterÃsticas e à quantidade de amostras de treinamento.

ASSUNTO(S)

modelos matemÃticos filtragem redes neurais classificaÃÃes processamento de imagens avaliaÃÃo de desempenho inteligÃncia artificial radar de abertura sintÃtica

ACESSO AO ARTIGO

Documentos Relacionados