Detecção de mudanças em imagens multitemporais de sensoriamento remoto empregando support vector machines
|
|
- Ester Lombardi Terra
- 7 Há anos
- Visualizações:
Transcrição
1 Detecção de mudanças em imagens multitemporais de sensoriamento remoto empregando support vector machines Rute Henrique da Silva Ferreira, Vitor Haertel Universidade Federal do Rio Grande do Sul UFRGS/PPGSR Caixa Postal Porto Alegre RS, Brasil Centro Universitário La Salle UNILASALLE Victor Barreto, Canoas RS, Brasil Abstract. In this paper we investigate a semi-supervised approach to change detection in remote sensing multitemporal image data by applying Support Vector Machines (SVM) techniques. The proposed methodology is based on the difference between fraction images produced in two different dates. In images of natural scenes the difference in the fractions such as vegetation and bare soil occurring in two different dates tend to present a distribution symmetric about the origin. This fact can be used to model two overlapping multivariate Normal distributions: change, no-change. The Expectation-Maximization algorithm (EM) is implemented to estimate the parameters (mean vector, covariance matrix and a priori probability) associated with these two distributions. Random samples are extracted from these two distributions and used to train a SVM classifier in this semisupervised approach. The proposed methodology is tested by using sets of multitemporal TM-Landsat multispectral image data covering the same scene in two different dates. The results are compared with the other procedures, including the available field observations. Palavras-chave: change detection, kernel methods, fraction-images, EM algorithm, detecção de mudanças, métodos baseados em kernel, imagens-fração, algoritmo EM.. Introdução O problema da detecção de mudanças em um conjunto de imagens da mesma cena, mas adquiridas em datas distintas tem sido alvo de interesse em áreas como sensoriamento remoto, diagnósticos médicos, planejamento urbano e vigilância por vídeo. Em sensoriamento remoto, técnicas de detecção de mudanças em imagens multitemporais têm sido aplicadas a monitoramento agrícola, florestal, de áreas urbanas, entre outras aplicações (Zanotta e Haertel, 0). Duas principais abordagens para o problema da detecção de mudanças têm sido propostas na literatura na área de sensoriamento remoto: o método supervisionado e o método não supervisionado (Singh, 989; Bruzzone e Pietro, 000; Lu et al, 003; Bruzzone et al, 004; Catellana et al, 007; Filippone e Sanguinetti, 00). A primeira baseia-se na análise comparativa de imagens temáticas cobrindo a mesma cena e obtidas a partir da classificação de imagens multiespectrais obtidas em datas distintas. A desvantagem deste procedimento é que ele requer informação de verdade terrestre (amostras de treinamento). Já na segunda abordagem, a detecção é feita pela comparação direta entre duas imagens multitemporais sem fazer uso de qualquer outro dado adicional. Nesse caso o processo se dá pela aplicação de operações matemáticas e métodos estatísticos não supervisionados. Embora o método supervisionado tenha algumas vantagens em comparação com o método não-supervisionado, como a definição da natureza do tipo de mudança ocorrida, a disponibilização de amostras de treinamento, é geralmente uma tarefa de difícil execução e de custo elevado. Consequentemente, o uso de métodos não supervisionados na detecção de 830
2 mudanças é mais atraente a nível operacional e tem sido largamente explorado pelos pesquisadores no desenvolvimento de seus trabalhos (Zanotta e Haertel, 0). As abordagens não supervisionadas para a detecção de mudanças são geralmente baseadas em imagens diferença. Estas são produzidas pela subtração, pixel por pixel, das imagens adquiridas em duas datas diferentes (Radke et al, 005). As diferenças podem ser calculadas, a partir dos dados originais ou a partir de dados extraídos dos originais, tais como componentes principais ou índices de vegetação. Em qualquer caso, uma imagem de diferenças é produzida e um limiar é aplicado para distinguir os pixels onde a mudança tenha ocorrido daqueles pixels que permaneceram inalterados. Dentre os vários métodos de detecção de mudança não-supervisionado propostos na literatura, o mais amplamente utilizado é aquele conhecido como análise do vetor de mudanças (CVA change vector analysis) (Bovolo et al, 00). A técnica de CVA é baseada em três etapas: comparação da imagem por subtração de vetores, cálculo da norma dos vetores de mudança espectral (por vezes também a direção do vetor de mudança espectral é calculada) e limiarização. (Bovolo et al, 00). Haertel et al (004) utilizam o conceito de pixel mistura no problema da detecção de mudanças. O fenômeno de mistura em pixels ocorre quando um mesmo pixel compreende duas ou mais classes distintas, denominadas, neste contexto, de componentes (endmembers). Então é possível derivar um novo conjunto de dados com as chamadas imagens-fração, as quais informam em cada pixel a fração ocupada por cada uma das componentes do terreno, como por exemplo, vegetação, solo, sombra/água. Essa abordagem apresenta duas vantagens: permite uma análise em nível de sub-pixel e elimina a necessidade de normalização radiométrica das imagens adquiridas em datas distintas. Dessa forma, as imagens de diferenças são produzidas a partir da subtração de componentes geradas a partir das imagens multiespectrais. Muitas abordagens propostas na literatura buscam modelar as distribuições para as classes mudança e não-mudança, a fim de estimar um valor adequado para o limiar que separa as duas classes (Bruzzone e Pietro, 000; Bazi et al, 005; Bovolo et al, 00). Por outro lado, observa-se que nos últimos anos, classificadores baseados em kernels têm sido usados com sucesso em diversas áreas como reconhecimento de faces, categorização de texto, previsão de séries temporais e reconhecimento de dígitos manuscritos. Dentre eles, pode-se citar Support Vector Machines (SVM), Kernel Análise de Componentes Principais (KPCA), Kernel Fisher Discriminante (KFD), Kernel k-médias e outros (Shawe-Taylor e Cristianini, 004). SVM constituem um método bem adequado para lidar com o problema da classificação de imagens hiperespectrais uma vez que eles podem lidar com espaços de dimensões grandes de forma eficiente, lidam com amostras ruidosas de uma forma robusta e produzem soluções esparsas, ou seja, o modelo que define a fronteira de decisão é expresso como uma função de um subconjunto de amostras de treinamento (Camps-Valls e Bruzzone, 005). Neste trabalho o problema da detecção de mudanças é abordado considerando inicialmente que duas distribuições gaussianas caracterizam as classes mudança e não mudança. Então o algoritmo Expectation-Maximization (EM) (Duda et al, 00) é utilizado para estimar os parâmetros estatísticos que caracterizam cada classe. Após essa etapa, é feita uma classificação com o uso de SVM, com amostragem normal multivariada. Para fins de comparação, também foi realizada uma classificação Bayesiana.. Metodologia O processo de detecção de mudanças investigado neste trabalho consiste nas seguintes etapas: pré-processamento (onde as imagens são registradas e as imagens-fração são produzidas), análise dos dados (produção das imagens diferença por subtração), estimação dos 830
3 parâmetros da função densidade de probabilidade, classificação Bayesiana e classificação com SVM. As subseções a seguir apresentam os conceitos envolvidos em cada etapa do processo.. A proposta para a abordagem do problema de detecção de mudanças Conforme mencionado na seção anterior, neste trabalho as imagens de diferenças são produzidas a partir da subtração de componentes das imagens-fração geradas a partir das imagens multiespectrais (Haertel et al. 004). O método utilizado para estimar as frações das componentes de mistura (endmembers) de cada pixel da imagem é o Modelo Linear de Mistura Espectral (MLME). O MLME assume que a resposta espectral de cada pixel pode ser modelada por uma combinação linear das respostas espectrais de cada componente, ponderada pela fração da área que essa componente ocupa dentro do pixel (Shimabukuro e Smith, 99). O MLME é representado por p equações lineares e m frações desconhecidas: R = SF + V () onde p é o número de bandas, m é o número de componentes, R é um vetor de dimensão p que representa a resposta espectral dos pixels para cada banda, S é uma matriz de ordem p por m cujos termos s ij correspondem à resposta espectral da componente j na banda i, F é um vetor de dimensão m que corresponde a fração do pixel ocupada pela componente j, e V é um vetor de dimensão p que corresponde ao erro residual do modelo. Para p > m o sistema é sobredeterminado, podendo ser resolvido para as frações (f j ) utilizando o método dos mínimos quadrados, sujeito às seguintes restrições: m () 0 f j j fj = j = Os valores da equação devem ser selecionados de forma a representar da melhor forma possível as componentes (endmembers) para a imagem em questão. O resultado do fracionamento contará com um número de imagens igual ao número de componentes escolhidas para representar a região. Em cenas naturais é frequente o uso das componentes vegetação, solo e sombra/água. Baseado na proposta de Zanotta e Haertel (0), neste trabalho serão utilizadas as componentes vegetação e solo. Assim, para cada data serão geradas as imagens-fração de vegetação e solo. A figura mostra o espalhamento dos dados da imagem diferenças, considerando no eixo vertical as diferenças de solo e no horizontal as diferenças de vegetação. Figura. Gráfico do espalhamento dos dados da imagem-diferença. Fonte: Zanotta,
4 Analisando os dados, pode-se constatar a existência de uma correlação negativa entre a distribuição das diferenças de vegetação e solo. Essa correlação é explicada naturalmente pelo consequente aumento na fração de solo resultante da diminuição da fração vegetação e viceversa. Ainda é possível verificar que a figura representa a mistura de duas distribuições: mudança e não-mudança. Supõe-se aqui que ambas apresentam uma distribuição normal, bivariada (mudança na fração vegetação e mudança na fração solo). Supõe-se ainda que ambas as distribuições tenham médias na origem (ou próxima a esta) devido à simetria na distribuição das duas variáveis. A diferença entre as duas distribuições vai se concentrar nas variâncias, com a classe mudança apresentando uma dispersão grande e a classe não mudança uma dispersão pequena, conforme mostra a figura. Figura. Distribuições das classes mudança e não-mudança. O algoritmo EM pode ser usado para fins de estimação dos parâmetros (vetor de médias, matriz de covariâncias e probabilidade a priori) destas duas distribuições (Duda et al, 00). Consideram-se aqui as classes ω e ω, respectivamente, como as classes mudança e nãomudança. Assim, M, S, P(ω ), M, S, P(ω ) representam os vetores de médias, matrizes de covariâncias e probabilidades a priori de cada classe. Para valores iniciais dos parâmetros no algoritmo EM, algumas considerações são necessárias e podem ser ilustradas por meio da figura. A classe mudança apresenta uma distribuição bivariada, alongada na direção de maior dispersão, que é estimada pelo primeiro autovalor (λ ). Para valor inicial no EM propõe-se utilizar a matriz de covariância para a totalidade das amostras de diferenças nas frações. Já as amostras da classe não-mudança estão concentradas em torno da origem, apresentando uma pequena dispersão, causada pelos inevitáveis ruídos nos dados. Esta dispersão será estimada pela variância na direção ortogonal à de maior variação, ou seja, na direção do segundo autovetor. Esta variância é estimada pelo segundo autovalor (λ ). A distribuição será, portanto circular em torno da origem com um raio proporcional a λ (Zanotta e Haertel, 0). Como geralmente o número de pixels apresentando pequena mudança ou mudança nula é muito maior do que o número de pixels apresentando sinais claros de mudança, os valores iniciais das probabilidades a priori podem ser estimados inicialmente como 0. para mudança e 0.9 para não-mudança. Assim, as estimativas iniciais para cada classe ficam: 0 M matriz de (3) = 0, S covariancia 0 =, P(ω ) = 0., M λ 0 = 0, S = da amostra total 0 λ e P(ω ) =
5 Após a convergência do EM os parâmetros obtidos foram utilizados tanto na classificação Bayesiana quanto na obtenção de mostras de treinamento para a classificação com SVM.. Classificação Bayesiana Como se assumiu dados normalmente distribuídos, após a estimação dos parâmetros, as funções de decisão de Bayes para as classes mudança e não-mudança foram calculadas supondo uma distribuição normal multivariada (equação 4): p T (4) p( X ω ) ( ) i = π Σi exp ( X µ i ) Σi ( X µ i ) onde µ i é o vetor de média, Σ i é a matriz de covariância da classe ω i, P(ω i ) é a probabilidade a priori para a classe ω i e p é a dimensionalidade dos dados. Para o caso das duas classes mudança (ω ) e não mudança (ω ) as funções de decisão e a regra de decisão Bayesiana são dadas, respectivamente, pelas equações 5 e 6. p X ω. P ω (5) G (X) = ( ) ( ) G (X) = p( X ω ). P ( ω ) X ω, G ( X ) > G X ω, G ( X ) < G ( X ) ( X ) Após a classificação, foi produzido o mapa de mudança (Figura 3a)..3 SVM com amostragem normal multivariada A classificação com SVM utilizada neste trabalho está baseada em Abe (005), cujo problema pode ser expresso pelas equações (7) e (8). Maximizar: M α M α α y y H ( x, x ) (7) i i j i j i j i= i, j= (6) Sujeito a : M αi i i= y = 0 e C α i 0 para i=,..., M (8) onde: α i são multiplicadores de Lagrange, M é o número de amostras consideradas, H(x i, x j ) é a função de kernel e C é a variável de folga. Neste trabalho foi utilizado o kernel polinomial, descrito pela equação (9). H(x,x ) = (x T x ) d (9) Os algoritmos utilizados para a implementação do SVM foram desenvolvidos em MATLAB. Para fins de treinamento do classificador SVM foram utilizadas amostras randômicas extraídas a partir de uma distribuição normal multivariada, obtidas por meio da função mvnrnd.m, do MATLAB, usando em cada caso os parâmetros da respectiva distribuição estimados via EM. 3. Resultados Para os experimentos foram consideradas duas imagens Landsat 5-TM cobrindo a mesma área, localizada no estado de Roraima. A razão desta escolha deve-se a experiência adquirida em trabalhos anteriores (Haertel et al. 004). Esta área é caracterizada por duas planícies 8305
6 distintas, uma localizada a uma altitude média de 00 metros e outra localizada numa alta elevação formando um platô: o Platô do Tepequém. Uma floresta densa cobre a região de baixa elevação, enquanto a região do platô é dominada por cerrado. A imagem da primeira data foi adquirida em Outubro de 99 e a imagem da segunda data em Abril de 994. Nos experimentos foram consideradas apenas as frações resultantes para vegetação e solo. Na abordagem Bayesiana foram utilizadas as equações (5) e (6) e foi produzido o mapa de mudança mostrado na figura 3a, onde preto indica mudança e branco não-mudança. Os experimentos com SVM foram feitos com o kernel polinomial com 00, 400 e 600 amostras de treinamento para cada classe, utilizando as equações (7), (8) e (9). Para o parâmetro d da equação (9) (grau do polinômio), foram realizados testes com d variando de até 0. Os valores testados para a variável de folga C foram 0, 5 e. A figura 3 mostra alguns resultados obtidos. (a) (b) (c) (d) (e) (f) Figura 3. Experimentos. (a) abordagem Bayesiana, (b) SVM, d =, 400 amostras, C = 0, (c) SVM, d =, 600 amostras, C = 0, (d) SVM, d = 3, 400 amostras, C = 0, (d) SVM, d = 3, 600 amostras, C = 0 e (f) SVM, d = 6, 400 amostras, C = Discussão e Conclusões Neste trabalho o problema da detecção de mudanças foi abordado com o uso do classificador SVM. Para fins de treinamento do classificador SVM foram utilizadas amostras randômicas extraídas a partir de uma distribuição normal multivariada, considerando que duas distribuições gaussianas caracterizam as classes mudança e não-mudança. Uma inspeção visual dos resultados obtidos mostra uma boa concordância com os resultados obtidos em Haertel et al (004). Os experimentos com 00 amostras resultaram em imagens com muitos tons escuros (mudança), independente do parâmetro d utilizado. Com 400 amostras verificou-se que quando era utilizado parâmetro d par as imagens tinham mais tons escuros que as de parâmetro ímpar. Com 600 amostras os resultados foram semelhantes 8306
7 para parâmetros d pares e ímpares. Os testes com variável de folga 0 mostraram melhores resultados. Testes com 600 amostras, d par e variável de folga C = 0 aproximaram-se mais dos resultados obtidos em Haertel et al (004). Para trabalhos futuros sugere-se o uso do kernel gaussiano, que tem sido utilizado em outras abordagens para o problema de detecção de mudanças envolvendo kernel, como o support vector data domain (Bovolo et al, 00). Também se sugere experimentos com dados sintéticos para que se possa testar o processo em dados de referência, ou seja, um par de imagens onde se tenha conhecimento das alterações existentes. Referências Bibliográficas ABE, S. Support Vector Machines for Pattern Classifications. Kobe, Japão: Ed. Springer, 005. BAZI, Y. BRUZZONE, L. MELGANI, F. An Unsupervised Approach based on the Generalized Gaussian Model to Automatic Change Detection in Multitemporal SAR Images. IEEE Transactions on Geoscience and Remote Sensing. v. 43, n. 4, p , 005. BOVOLO, F. CAMPS-VALLS, G. BRUZZONE, L. A Support Vector Domain Method for Change Detection in Multitemporal Images. Pattern Recognition Letters. v. 3, n. 0, p , 00. BRUZZONE, L. PRIETO,D.F. Automatic Analysis of the Difference Image for Unsupervised Change Detection. IEEE Transactions on Geoscience and Remote Sensing. v. 38. n. 3, p. 7 8, 000. CAMPS-VALLS, G. BRUZZONE, L. Kernel-Based Methods for Hyperspectral Image Classification. IEEE Transactions on Geoscience and Remote Sensing, v. 43, n. 6, JUNE 005. CASTELLANA, L. D ADDABBO, A. PASQUARIELLO, G. A Composed Supervised/Unsupervised Approach to Improve Change Detection from Remote Sensing. Pattern Recognition Letters. v. 8, n. 4, p , 007. DUDA, R. O. HART, P. E. STORK, D. G. Pattern Classification. nd edition, New York: John Wiley & Sons, 00. FILIPPONE, M. SANGUINETTI, G. Information Theoretic Novelty Detection. Pattern Recognition. v. 43, n. 3, p , 00. HAERTEL, V.; SHIMABUKURO, Y. E.; ALMEIDA FILHO, R. Fraction Images in Multitemporal Change Detection. International Journal of Remote Sensing, v. 0, n. 3, p , 004. LU, D. MAUSEL, P. BRONDIZIO, E. MORAN, E. Change Detection Techniques. International Journal of Remote Sensing. v. 5, n., p , 003. RADKE, R. J. ANDRA, S. AL-KOFAHI, O. ROYSAM, B. Image Change Detection Algorithms: a Systematic Survey. IEEE Transactions on Image Processing. v. 4, n. 3, p , 005. SHAWE-TAYLOR, J. CRISTIANINI, N. Kernel Methods for Pattern Analysis. Cambridge University Press, UK, 004. SHIMABUKURO, Y. E., and SMITH, J. A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, v.9, n., 6 0, 99. SINGH, A. Digital Change Detection Techniques using Remotely-Sensed data. International Journal of Remote Sensing. v. 43, n. 0, p , 989. ZANOTTA, D. HAERTEL, V. Gradual Land Cover Change Detection based on Multitemporal Fraction Images. Pattern Recognition, v. 45, p ,
DETECÇÃO DE MUDANÇAS EM IMAGENS MULTITEMPORAIS DE SENSORIAMENTO REMOTO EMPREGANDO SVM COM KERNEL RBF E NOVA MÉTRICA DE PERTINÊNCIA RESUMO
REVISTA DE CIÊNCIAS AMBIENTAIS - RCA (ISSN 1981-8858) http://www.revistas.unilasalle.edu.br/index.php/rbca Canoas, vol. 9, n. 2, 2015 http://dx.doi.org/10.18316/1981-8858.11 DETECÇÃO DE MUDANÇAS EM IMAGENS
Leia maisRUTE HENRIQUE DA SILVA FERREIRA
0 UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO REMOTO E METEOROLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO RUTE HENRIQUE DA SILVA FERREIRA UMA METODOLOGIA
Leia maisNEIDE PIZZOLATO ANGELO
0 UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO REMOTO E METEOROLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO NEIDE PIZZOLATO ANGELO UMA ABORDAGEM PARA
Leia maisDETECÇÃO DE QUEIMADAS A PARTIR DE TÉCNICAS SEMI- AUTOMÁTICAS E OPERADORES MORFOLÓGICOS DE EROSÃO/DILATAÇÃO USANDO IMAGENS DE SENSORIAMENTO REMOTO
DETECÇÃO DE QUEIMADAS A PARTIR DE TÉCNICAS SEMI- AUTOMÁTICAS E OPERADORES MORFOLÓGICOS DE EROSÃO/DILATAÇÃO USANDO IMAGENS DE SENSORIAMENTO REMOTO Daniel Capella ZANOTTA 1 Resumo Este trabalho estuda um
Leia maisUma abordagem multivariada para detecção de mudanças a partir de imagens de fração. Hélio Radke Bittencourt 1 Vitor Haertel 2
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 011, INPE p.7556 Uma abordagem multivariada para detecção de mudanças a partir de imagens
Leia maisDetecção automática de mudanças em áreas de reflorestamento
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7690 Detecção automática de mudanças em áreas de reflorestamento Matheus Pinheiro
Leia maisCampus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL CENTRO ESTADUAL DE PESQUISAS EM SENSORIAMENTO REMOTO E METEOROLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO UMA ABORDAGEM FUZZY NA DETECÇÃO AUTOMÁTICA
Leia maisUso de informações residuais para estimar precisão e aperfeiçoar os resultados do Modelo Linear de Mistura Espectral
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7380 Uso de informações residuais para estimar precisão e aperfeiçoar os resultados
Leia maisPROGRAMA DE ENSINO. 3 quadrimestre Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Código Semestre Ano Letivo 3 quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO
Leia maisIMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Leia maisSupport Vector Machines na Classificação de Imagens Hiperespectrais. Rafaela Andreola 1 Victor Haertel 1
Support Vector Machines na Classificação de Imagens Hiperespectrais Rafaela Andreola Victor Haertel Universidade Federal do Rio Grande do Sul UFRGS Centro Estadual de Pesquisas em Sensoriamento Remoto
Leia maisGeração de imagens sintéticas para utilização em estudos de detecção de mudanças. Henrique Beck Valdivia 1 Hélio Radke Bittencourt 2
Geração de imagens sintéticas para utilização em estudos de detecção de mudanças Henrique Beck Valdivia 1 Hélio Radke Bittencourt 2 1 Acadêmico do curso de Engenharia de Produção Faculdade de Engenharia
Leia maisDetecção de mudanças suave a partir de imagens de fração. Hélio Radke Bittencourt 1 Dejanira Luderitz Saldanha 2
Detecção de mudanças suave a partir de imagens de fração Hélio Radke Bittencourt 1 Dejanira Luderitz Saldanha 1 Pontifícia Universidade Católica do Rio Grande do Sul PUCRS Faculdade de Matemática, Departamento
Leia maisSeleção de variáveis em imagens hiperespectrais para classificadores SVM. Rafaela Andreola 1 Victor Haertel 2
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 20, INPE p.7729 Seleção de variáveis em imagens hiperespectrais para classificadores SVM Rafaela
Leia maisPROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisAVALIAÇÃO DO USO DO MODELO LINEAR DE MISTURA ESPECTRAL NA DISCRIMINAÇÃO DE FITOFISIONOMIAS DO CERRADO
AVALIAÇÃO DO USO DO MODELO LINEAR DE MISTURA ESPECTRAL NA DISCRIMINAÇÃO DE FITOFISIONOMIAS DO CERRADO Márcio Pupin de Mello 1, Gustavo Bayma Siqueira da Silva 1, Gabriel Pereira 1, Bruno Rodrigues do Prado
Leia maisSegmentação de imagens-fração derivadas do sensor TM-Landsat para o mapeamento do uso do solo no municipio de Sapezal (MT)
Segmentação de imagens-fração derivadas do sensor TM-Landsat para o mapeamento do uso do solo no municipio de Sapezal (MT) JOSÉ L. RODRÍGUEZ YI, LUIGI C. MARRONI AULICINO, YOSIO E. SHIMABUKURO, BERNARDO
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisFigura 1 - Abrangência espacial do Bioma Cerrado. Fonte: Adaptado de Scariot et al. (2005).
IDENTIFICAÇÃO DE ÁREAS DESMATADAS ATRAVÉS DE SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS DO MODELO LINEAR DE MISTURA ESPECTRAL APLICADO A DADOS DO SENSOR LANDSAT 5/TM, NO MUNICÍPIO DE SAPEZAL-MT. Bruno Rodrigues
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II Componentes principais Revisão de matemática Análise de componentes principais em SR UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Revisão matemática
Leia maisAnálise Multisensor e Multiresolução de Imagens CBERS-2 Através do Modelo Linear de Mistura Espectral
Análise Multisensor e Multiresolução de Imagens CBERS-2 Através do Modelo Linear de Mistura Espectral Ramon Morais de Freitas 1 Vitor Haertel 2 Yosio Edemir Shimabuuro 1 1 Instituto Nacional de Pesquisas
Leia maisCOMPARAÇÃO DO DESEMPENHO DE ALGORITMOS DE NORMALIZAÇÃO RADIOMÉTRICA DE IMAGENS DE SATÉLITE
COMPARAÇÃO DO DESEMPENHO DE ALGORITMOS DE NORMALIZAÇÃO RADIOMÉTRICA DE IMAGENS DE SATÉLITE SILVIA SHIZUE LEONARDI 1 SONIA MARA DE SOUZA 1 LEILA MARIA GARCIA FONSECA 1 1 INPE - Instituto Nacional de Pesquisas
Leia mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisClassificação da cobertura vegetal da região norte da FLONA do Tapajós utilizando a segmentação de imagens-fração
Classificação da cobertura vegetal da região norte da FLONA do Tapajós utilizando a segmentação de imagens-fração Jane Delane Verona Yosio Edemir Shimabukuro Instituto Nacional de Pesquisas Espaciais INPE,
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia maisUma metodologia semi-supervisionada para detecção de desmatamento na Amazônia. Daniel Capella Zanotta 1 Yosio Edemir Shimabukuro 2
Uma metodologia semi-supervisionada para detecção de desmatamento na Amazônia Daniel Capella Zanotta 1 Yosio Edemir Shimabukuro 2 1 Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo APRESENTAÇÃO Métodos Multivariados: São métodos (ferramentas analíticas) utilizados na transformação de dados (várias medidas
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisAPLICAÇÃO DE UM MÉTODO FUNDAMENTADO EM GRAFO E DISTÂNCIAS ESTOCÁSTICAS NA CLASSIFICAÇÃO BASEADA EM REGIÕES
APLICAÇÃO DE UM MÉTODO FUNDAMENTADO EM GRAFO E DISTÂNCIAS ESTOCÁSTICAS NA CLASSIFICAÇÃO BASEADA EM REGIÕES Rogério Galante Negri 1 Luciano Vieira Dutra 2 Tatiana Sussel Gonçalves Mendes 1 1 Universidade
Leia maisFernando Del Bon Espírito-Santo 1 Yosio Edemir Shimabukuro 1 João Roberto dos Santos 1 Tatiana Mora kuplich 1
Classificação semi-automática de imagens multitemporais Landsat para a determinação dos estágios sucessionais de uma área de desflorestamento na Amazônia Fernando Del Bon Espírito-Santo 1 Yosio Edemir
Leia maisEstimativa e avaliação do desflorestamento de uma área do Mato Grosso com o uso de imagens CCD/CBERS
Estimativa e avaliação do desflorestamento de uma área do Mato Grosso com o uso de imagens CCD/CBERS Fernando Del Bon Espírito-Santo 1 Yosio Edemir Shimabukuro 1 Valdete Duarte 1 Dalton de Morrison Valeriano
Leia maisMODELO LINEAR DE MISTURA ESPECTRAL EM IMAGEM DE MODERADA RESOLUÇÃO ESPACIAL
MODELO LINEAR DE MISTURA ESPECTRAL EM IMAGEM DE MODERADA RESOLUÇÃO ESPACIAL Linear Spectral Mixture Model in Moderate Spatial Resolution Image Data RAMON MORAIS DE FREITAS 1 VITOR HAERTEL 2 YOSIO EDEMIR
Leia maisAplicação da Metodologia do PRODES Digital em Imagens CCD/CBERS-2
Aplicação da Metodologia do PRODES Digital em Imagens CCD/CBERS-2 Giovana Mira de Espindola 1 Natalia de Almeida Crusco 1 José Carlos Neves Epiphanio 1 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Leia mais7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS
7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS 7.1. Conclusões Neste trabalho foi estudado o problema da dinâmica da atenuação aplicado a dados resultantes de 28 anos-sítio, sendo 7 de enlaces via satélite
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisÁrvore Binária SVM Otimizada na Classificação de Imagem Hiperespectral. Diego Bonesso 1 Vitor Haertel 1
Árvore Binária SVM Otimizada na Classificação de Imagem Hiperespectral. Diego Bonesso 1 Vitor Haertel 1 1 Universidade Federal do Rio Grande do Sul - UFRGS/PPGSR Caixa Postal 15044-91501-970 Porto Alegre
Leia maisAlterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e DOMINIQUE PIRES SILVA
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e 2010. DOMINIQUE PIRES SILVA Universidade Federal Rural do Rio de Janeiro E-mail: nique_rhcp@hotmail.com
Leia maisQuestões concursos
Questões concursos Grandezas radiométricas Índices de vegetação Classificação Concurso Público para Pesquisador do IMB Instituto Mauro Borges de Estatísticas e Estudos Socioeconômicos 25. A
Leia maisAvaliação das imagens polarimétricas da simulação MAPSAR para classificação de uso/ocupação do solo na região da Floresta Nacional do Tapajós.
Avaliação das imagens polarimétricas da simulação MAPSAR para classificação de uso/ocupação do solo na região da Floresta Nacional do Tapaós. Luciano Vieira Dutra Antonio Henrique Correia José Cláudio
Leia maisMétodo de classificação não supervisionada por empilhamento no espaço de atributos. Adauto Pereira Ramos Costa Ana Lúcia Bezerra Candeias
Método de classificação não supervisionada por empilhamento no espaço de atributos Adauto Pereira Ramos Costa Ana Lúcia Bezerra Candeias Universidade Federal de Pernambuco - UFPE/CTG/DECART Caixa Postal
Leia maisBoletim de Ciências Geodésicas ISSN: Universidade Federal do Paraná Brasil
Boletim de Ciências Geodésicas ISSN: 43-4853 bcg_editor@ufpr.br Universidade Federal do Paraná Brasil ALTERI DE OLIVEIRA MORAES, DENIS; HAERTEL, VITOR EXTRAÇÃO DE FEIÇÕES EM DADOS DE IMAGENS HIPERESPECTRAIS
Leia maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Leia maisAvaliação da influência do número de amostras de treinamento no índice Kappa
Avaliação da influência do número de amostras de treinamento no índice Kappa Maola Monique Faria 1 Ligia Tavares de Souza 1 Elpidio Inácio Fernandes Filho 1 Márcio Rocha Francelino 1 1 Universidade Federal
Leia maisINSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS SER-300: INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório II: Cartografia em GIS/Registro
Leia maisAnais 2º Simpósio de Geotecnologias no Pantanal, Corumbá, 7-11 novembro 2009, Embrapa Informática Agropecuária/INPE, p
Análise do desmatamento no município de Miranda, MS no período de 1999 a 2009 utilizando classificação de imagens do modelo linear de mistura espectral Flávia de Souza Mendes¹ Gabriel Noronha Campos Caridade¹
Leia maisMODELO DE MISTURA ESPECTRAL PARA IDENTIFICAR E MAPEAR ÁREAS DE SOJA E MILHO EM QUATRO MUNICÍPIOS DO ESTADO DE MINAS GERAIS
MODELO DE MISTURA ESPECTRAL PARA IDENTIFICAR E MAPEAR ÁREAS DE SOJA E MILHO EM QUATRO MUNICÍPIOS DO ESTADO DE MINAS GERAIS Mauricio Alves Moreira, Luigi Carli Marroni Aulicino, Yosio E. Shimabukuro, Valdete
Leia maisInvestigação sobre o uso de dados auxiliares no processo de classificação de imagens digitais empregando princípios da teoria da evidência
Investigação sobre o uso de dados auxiliares no processo de classificação de imagens digitais empregando princípios da teoria da evidência Abstract Rodrigo Lersch 1 Vitor Haertel 1 Yosio Shimabukuro 2
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Prof. Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 19 de Junho de 2017 2/27 Máquinas de Vetores de Suporte Support Vector Machines (SVM)
Leia maisSimulação de uma banda pancromática para o sensor TM (Landsat 5), utilizando filtro combinado de restauração e interpolação.
Simulação de uma banda pancromática para o sensor TM (Landsat 5), utilizando filtro combinado de restauração e interpolação. Giovanni de Araujo Boggione 1 Érika Gonçalves Pires 1 Patrícia Azevedo dos Santos
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS. Daniel C. Zanotta
PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS Daniel C. Zanotta ANÁLISE POR PRINCIPAIS COMPONENTES Conceitos básicos Espalhamento bi-dimensional:
Leia maisEFEITOS DA FUMAÇA SOBRE A DETERMINAÇÃO DO NDVI MARCELO LIMA DE MOURA LÊNIO SOARES GALVÃO
EFEITOS DA FUMAÇA SOBRE A DETERMINAÇÃO DO NDVI MARCELO LIMA DE MOURA LÊNIO SOARES GALVÃO INPE - Instituto Nacional de Pesquisas Espaciais Caixa Postal 515-12245-970 - São José dos Campos - SP, Brasil {moura,lenio}@ltid.inpe.br
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia maisTópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
Leia maisAnálise de Componentes Principais (PCA)
Análise de Componentes Principais (PCA) Lailson B. Moraes, George D. C. Cavalcanti {lbm4,gdcc}@cin.ufpe.br Roteiro Introdução Características Definição Algoritmo Exemplo Aplicações Vantagens e Desvantagens
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 2 Detecção de alterações UFPR Departamento de Geomática Prof. Jorge Centeno O problema de deteção de mudanças É possível detectar as alterações em uma série de imagens orbitais
Leia maisOtimização da coerência de imagens SAR interferométricas e polarimétricas na banda P em áreas de floresta. José Claudio Mura
Otimização da coerência de imagens SAR interferométricas e polarimétricas na banda P em áreas de floresta. José Claudio Mura Instituto Nacional de Pesquisas Espaciais - INPE Caixa Postal 55-45-970 - São
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisMapeamento urbano por classificação hierárquica semi-automática baseada em objetos
Mapeamento urbano por classificação hierárquica semi-automática baseada em objetos Francine da Rocha Rossoni 1 Valéria Jardim Pires 1 Daniel Zanotta 1,2 1 Instituto Federal de Educação Ciência e Tecnologia
Leia maisAnais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Aplicação do Modelo Linear de Mistura Espectral e Classificação Orientada a Objeto para detecção do desmatamento por corte raso em imagens de satélite ALOS/AVNIR-2 na Floresta Nacional de Saracá-Taquera,
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia mais4 Avaliação experimental do modelo
4 Avaliação experimental do modelo 4.1. Introdução e organização do capítulo Este capítulo apresenta os experimentos realizados para a avaliação do modelo de classificação multitemporal proposto no presente
Leia maisRegressão Local (LOESS)
Regressão Local (LOESS) Wagner Hugo Bonat 14 de novembro de 2007 1 Regressão Local Regressão Local (Loess) é um método não paramétrico que estima curvas e superfícies através de suavização (smoothing).
Leia maisAnálise de Vetor de Mudança para o estudo de áreas agrícolas no Cerrado. Enrique Maurício del Castillo 1 José Carlos Neves Epiphanio 1
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.6372 Análise de Vetor de Mudança para o estudo de áreas agrícolas no Cerrado
Leia maisFusão de Dados: A Nova Tendência em Processamento Digital de Imagens
Fusão de Dados: A Nova Tendência em Processamento Digital de Imagens CAMILA SOUZA DOS ANJOS LACERDA IFSULDEMINAS Campus Inconfidentes Roteiro Introdução Objetivos Conceituação Resolution Merge / Pan Sharpen
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Componentes Principais
Estatística: Aplicação ao Sensoriamento Remoto SER 4 - ANO 9 Componentes Principais Camilo Daleles Rennó camilorenno@inpebr http://wwwdpiinpebr/~camilo/estatistica/ Associação entre Variáveis r = < r
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisAplicação de Modelos de Aprendizado Semissupervisionado na Classificação de Imagens de Sensoriamento Remoto
Aplicação de Modelos de Aprendizado Semissupervisionado na Classificação de Imagens de Sensoriamento Remoto Rogério G. Negri 1 Sidnei J. S. Sant Anna Luciano V. Dutra Resumo: Nas mais diversas aplicações,
Leia maisAcompanhamento da expansão do município de Rio Grande (RS) entre os anos de 2008 e 2013 através da análise pelo vetor de mudanças no domínio polar
Acompanhamento da expansão do município de Rio Grande (RS) entre os anos de 2008 e 2013 através da análise pelo vetor de mudanças no domínio polar Daniel Capella Zanotta 1 Andressa da Rosa de Vasconcellos
Leia maisUtilização de imagens espectrais de média resolução espacial na análise da expansão urbana do município de Betim (RMBH) por meio de modelo de mistura.
Utilização de imagens espectrais de média resolução espacial na análise da expansão urbana do município de Betim (RMBH) por meio de modelo de mistura. Luiza Caldeira de Barros 1 Luciano Vieira Dutra 1,2
Leia maisDados de sensoriamento remoto para análise da expansão da fronteira agropecuária no Estado do Mato Grosso
Embrapa Informática Agropecuária/INPE, p. 562-571 Dados de sensoriamento remoto para análise da expansão da fronteira agropecuária no Estado do Mato Grosso Kleber Trabaquini 1 Pedro Valle de Carvalho e
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia maisComparação de métodos de classificação da cobertura do solo urbano utilizando imagens IKONOS II com e sem o auxílio de dados LiDAR
Comparação de métodos de classificação da cobertura do solo urbano utilizando imagens IKONOS II com e sem o auxílio de dados LiDAR Leonardo Rodrigues de Deus 1 Rafael Santos 1 Leila Maria G. Fonseca 1
Leia maisPeríodo: 5 Carga Horária: 45 horas. UFPR Departamento de Geomática Prof. Jorge Centeno 2013 centenet
Sensoriamento Remoto II Período: 5 Carga Horária: 45 horas UFPR Departamento de Geomática Prof. Jorge Centeno 2013 copyright@ centenet Sensoriamento Remoto II Descrição da Ementa: Transformações espectrais:
Leia maisClassificação da cobertura da terra na Amazônia utilizando Imagens Polarimétricas em Banda L e Maquina de Vetores Suporte
Classificação da cobertura da terra na Amazônia utilizando Imagens Polarimétricas em Banda L e Maquina de Vetores Suporte Rogério Galante Negri Luciano Vieira Dutra Corina da Costa Freitas Graziela Balda
Leia maisAvaliação de métodos de classificação por regiões em imagens de alta resolução do sensor Rapideye
Avaliação de métodos de classificação por regiões em imagens de alta resolução do sensor Rapideye Luiz Felipe Parente Santiago *a, Wagner Barreto da Silva b a 4º Centro de Geoinformação (4º CGEO) Avenida
Leia maispróximo artigo artigo anterior
A utilização da segmentação de imagens-fração como técnica de classificação da cobertura vegetal na região central e entorno da FLONA do Tapajós, utilizando imagem CCD/CBERS-2. Igor da Silva Narvaes¹ João
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisMINIMIZAÇÃO DOS EFEITOS DA FUMAÇA SOBRE O CÁLCULO DO NDVI
MINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS INPE-8976-TDI/810 MINIMIZAÇÃO DOS EFEITOS DA FUMAÇA SOBRE O CÁLCULO DO NDVI Marcelo Lima de Moura Dissertação de Mestrado em
Leia maisEstimando a correlação entre imagens óticas e de radar considerando diferentes coberturas da terra na Amazônia
Estimando a correlação entre imagens óticas e de radar considerando diferentes coberturas da terra na Amazônia Tatiana Mora Kuplich Yosio Edemir Shimabukuro Ramon Morais de Freitas Instituto Nacional de
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisMaria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França Ferreira 1
Imagens CBERS para o Monitoramento da 2 a Safra Agrícola de 2004 Município de Jataí Goiás Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França
Leia maisO Kappa está morto? Uma discussão sobre índices baseados em matrizes de confusão. Camilo Daleles Rennó
O Kappa está morto? Uma discussão sobre índices baseados em matrizes de confusão Camilo Daleles Rennó DPI-GEO-REFERATA São José dos Campos, 16 de setembro de 2015 Pontius X Congalton Congalton, R. G.;
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisDeterminação do tamanho amostral: uma abordagem genuinamente Bayesiana
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, 66610-190,
Leia mais